Análise aprofundada · Cerca de 4 min de leitura
Databricks leva MemCurrent ao Agent Bricks Beta: o alcance real dos testes
Traços originais e conhecimento consolidado compõem duas camadas de memória; os resultados empresariais são avaliações do fornecedor.
- Publicado aqui
- Data da fonte
- Fonte verificada
Em 20 de outubro, a Databricks anunciou Agent Memory em Beta e explicou a arquitetura MemCurrent. O serviço gerencia conhecimento entre sessões. A pesquisa pergunta se reter e aplicar informações úteis reduz descobertas repetidas, em vez de tentar lembrar de tudo.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- Agent Memory usa Lakebase e reúne sessões, memória gerenciada e processos de consolidação em segundo plano.
- O teste interno inclui 114 casos, 29 usuários e 2.233 sessões históricas; não representa um ranking geral de modelos.
Separar serviço e arquitetura
Agent Memory oferece registros ordenados, fatos e fluxos duradouros, e processos que extraem conhecimento das sessões. A base é Lakebase, o Postgres serverless da Databricks. Desenvolvedores podem inspecionar, exportar e apagar entradas, além de orientar o que guardar. Registrar uma conversa é diferente de escolher qual afirmação deve orientar uma resposta futura. O estado Beta não permite assumir comportamento idêntico em todas as implantações.
Como as duas camadas se complementam
MemCurrent mantém traços episódicos apenas acrescentados e conhecimento derivado mutável, organizado como arquivos. Um índice é carregado no início; busca e leitura recuperam detalhes durante a sessão. Ferramentas online tratam pedidos explícitos de adicionar, atualizar e excluir. Um processo offline extrai aprendizados implícitos, reúne duplicatas e resolve conflitos. Os registros preservam evidências e o índice torna essas informações encontráveis. Retirar a extração do caminho da resposta reduz o trabalho imediato, mas introduz atraso até o aprendizado implícito ficar disponível. Correção explícita e manutenção programada têm papéis distintos.
O que o teste empresarial mede
O conjunto foi construído de conversas do Genie e revisado até chegar a 114 casos de 29 usuários e 2.233 sessões anteriores. Ele avalia aplicar conhecimento em tarefas de dados com várias etapas, não apenas repetir um fato. A Databricks relata aprovação de 22,3% sem memória e 68,4% com MemCurrent; este consumiu 418K tokens e levou em média 252 segundos por tarefa. As reduções de 31% em tokens e 26% em duração pertencem a essa comparação. Não são previsão para qualquer empresa nem comparação de assinaturas públicas de chat. O teste interno no Genie usou Claude Opus 4.6 como agente e GPT 5.6 sol para memória, em três repetições.
Histórico completo não é o mesmo experimento
Em três testes públicos de memória conversacional, a precisão média informada foi 88,1% contra 87,8% com contexto completo, usando cerca de 8,4K contra 103K tokens de entrada por pergunta. Essas tarefas de perguntas e respostas não devem ser misturadas com totais empresariais. Na ablação interna, apenas traços atingiram 35,8%, memória derivada 66,1% e ambas 68,4%. Extração offline isolada alcançou 63,5%, ferramentas online 53,9% e a combinação 66,1% para memória derivada. Os dados sugerem complementaridade nesse desenho, não que guardar mais histórico sempre melhora o resultado. O teste público de perguntas e respostas usou GPT 5.6 luna, com média entre LangGraph e OpenAI Agents SDK e três repetições.
O que verificar na implantação
Análise do AISubHub: um piloto deve incluir fatos alterados, instruções contraditórias e perguntas que dispensam memória. Se uma equipe hipotética mudar a definição de cliente ativo, um fluxo antes correto pode passar a produzir erros ao preservar a definição antiga. É importante verificar a origem da memória, a propagação de correções e a manutenção de exclusões e limites entre usuários na recuperação. Meça sucesso e duração total, incluindo consolidação, em vez de olhar só o prompt menor. São critérios de aceitação propostos, não funções ou resultados testados por nós. Os anúncios não fornecem novo preço de assinatura.
Por que importa
Análise do AISubHub: uma base inspecionável pode mudar o foco da expansão contínua de prompts para a manutenção do conhecimento. A informação precisa permanecer atual e autorizada; sucesso, manutenção e correção devem entrar na mesma conta.
Limites e disponibilidade
O produto está em Beta. Os testes são da Databricks, não do AISubHub; dados internos e configurações específicas restringem a generalização. Não existe garantia universal de preço, latência ou ganho.
Fontes e evidências
Data da fonte: · Fonte verificada:
Data da fonte: · Fonte verificada:
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.