Estudo de caso: 77% das entidades perdidas — depois 100% recuperadas

Quando uma conversa de LLM excede a janela de contexto, as plataformas a resumem — e perdem informações. Medimos isso em nosso próprio deployment multi-agente de produção: a compactação padrão perdeu 77% das entidades nomeadas (pessoas, decisões, ferramentas, datas). Ao ser perguntado sobre uma integração de processador de pagamentos discutida 90 minutos antes, o agente respondeu "Eu não sei".

Substituímos a compactação por uma arquitetura de recuperação de três camadas sobre memória estruturada: as entidades sobrevivem na íntegra, e o agente recupera exatamente o que o turno atual precisa, sob demanda.

O resultado, medido em mais de 16.000 mensagens em duas instâncias de agente de produção: 100% de recuperação de decisões anteriores (versus 43% sem), enquanto uma sessão de 46 MB é comprimida em 35 kB de contexto de trabalho — uma redução de 99,94% na carga de tokens. A conclusão do artigo publicado permanece: não pague por um modelo melhor, pague por memória melhor.

A metodologia completa, incluindo uma revisão de 27 artigos recentes de grupos de pesquisa ocidentais, chineses, coreanos e japoneses, é publicada como um artigo aberto pela GLG, a.s. (Março de 2026) — incluindo edições coreana e chinesa.