Além do Obsidian: memória de verdade pra IA

Janelas de contexto ficaram gigantes, mas a “memória” das IAs ainda é rasa: elas não sabem o que é importante lembrar, nem conseguem decidir o que deve entrar primeiro na próxima resposta. E é exatamente aí que ferramentas como o Obsidian brilham para pessoas, mas falham como memória operacional para modelos de linguagem.

Por que o Obsidian ajuda você, mas não resolve a memória de uma IA

O Obsidian é excelente como sistema de conhecimento: uma teia de notas linkadas facilita navegação, descoberta e manutenção de contexto humano. Só que uma IA não “interpreta” seus links do jeito que você faz. Para o modelo, uma nota é apenas texto disponível (ou não) dentro de um recorte de contexto. Se a nota certa não chega a tempo, ela não existe na conversa.

Na prática, o Obsidian resolve bem a parte de organização e acesso para o usuário. Mas o problema central da memória de IA é outro: o modelo precisa de um mecanismo de relevância e priorização contínuas. Sem isso, mesmo que você tenha “todas as notas”, a IA não tem como garantir que vai consultar primeiro o que realmente importa para a pergunta atual.

O gap aparece quando você tenta usar PKM como se fosse memória inteligente. A IA até pode buscar informações, mas não consegue, por conta própria, responder com consistência sobre “o que vem antes” quando o volume cresce. Em outras palavras: o Obsidian é ótimo para você achar, mas insuficiente para uma IA decidir.

O gap de relevância: não é só ter memória, é escolher o que usar

Uma IA com janela de contexto maior ainda encontra um limite: quanto mais material você tenta fornecer, maior o risco de diluir o sinal. O vídeo destaca um ponto crucial: a IA não sabe o que é mais importante consultar primeiro. Ela não tem uma noção nativa de “ranking de relevância” para guiar a busca e a síntese.

Um exemplo prático: imagine um assistente que já conhece seu histórico, preferências, projetos e decisões anteriores. Quando você pergunta “Qual foi o racional por trás da escolha X?”, existem muitas notas possíveis. O sistema precisa trazer primeiro as evidências que sustentam o racional (documentos do momento da decisão, conversas com stakeholders, atas, mudanças de requisitos) e só depois o resto.

Sem ranking, você cai em dois extremos ruins:

• Buscar demais: a resposta fica longa, genérica ou mistura informações de épocas diferentes.
• Buscar de menos: a IA ignora detalhes críticos que estavam “lá”, mas não foram privilegiados.

O que o vídeo propõe para atacar isso é um modelo inspirado em uma lógica de uso real. Surge então a analogia da tabuada: você não consulta todas as possibilidades igualmente. Você usa mais o que frequenta e, conforme o tempo passa, o peso muda. Esse mesmo conceito leva a um ranking com decaimento por idade e uso: memórias não são estáticas; elas ganham ou perdem prioridade conforme são consultadas e conforme envelhecem.

“Memória rígida” com CLAUDE.md e AGENT.md: útil, mas não suficiente

Outro ponto do vídeo é o problema de tratar arquivos como CLAUDE.md e AGENT.md como memória permanente. Esse padrão é comum: você centraliza instruções e contexto em arquivos estáveis e espera que o modelo carregue aquilo para orientar o comportamento.

O problema é que esse tipo de “memória rígida” funciona como um conjunto de regras, não como um sistema de lembrança operacional. Ele não resolve o que acontece quando:

• o contexto antigo continua relevante, mas não é sempre o mesmo;
• novas informações sobrescrevem decisões anteriores;
• detalhes mudam de importância ao longo do tempo;
• o assistente precisa alternar entre tarefas com prioridades diferentes.

Arquivos fixos tendem a virar um “depósito” de instruções e fatos, mas sem um mecanismo claro de relevância dinâmica. Isso limita a capacidade do sistema de agir como uma memória que aprende com o uso e responde de forma contextual, trazendo o que é certo para cada pergunta.

É por isso que o vídeo coloca o foco em um comportamento mais próximo do humano: não é apenas armazenar; é recuperar com ordem.

Memória que decai, ganha peso e é plug-and-play entre LLMs

O caminho descrito no devlog é construir um sistema que se comporte como uma secretária executiva. A ideia é lembrar de compromissos, contextos antigos, pessoas e detalhes — e, principalmente, saber o que trazer primeiro quando alguém pergunta.

Para isso, o vídeo enfatiza dois conceitos:

• Ranking de 100 pontos com decaimento por idade e uso: cada memória começa com uma pontuação e vai sendo ajustada conforme é consultada e conforme o tempo passa. Isso cria um gradiente de prioridade, evitando que o sistema trate tudo como igualmente importante.
• Memória plug-and-play: o modelo de memória precisa funcionar de forma independente do LLM que está em uso. Assim, o sistema não fica preso a um único modelo (ou a um único formato de contexto). A memória vira uma camada de software reutilizável.

Na prática, essa abordagem permite que a recuperação seja consistente mesmo quando você alterna entre modelos. Em vez de “reformatar” sua base de conhecimento para cada LLM, você mantém uma regra de negócio: memórias têm prioridade, decaem com o tempo, e são reforçadas pelo uso.

O vídeo também faz uma distinção importante sobre o perfil de uso. Esse modelo é desenhado para um assistente pessoal, não para desenvolvimento. Isso significa que o objetivo é ajudar em tarefas do dia a dia e na manutenção de continuidade (quem é quem, o que foi decidido, por que certas coisas aconteceram), e não substituir fluxos complexos de engenharia de software que exigem outros tipos de rastreio e granularidade.

Por fim, há um detalhe operacional: o vídeo menciona que essa não é exatamente a abordagem que o autor usa no trabalho da Sincron. Ou seja, a proposta é apresentada como uma lacuna a ser fechada e como um experimento que evolui com feedback da comunidade. A conclusão é direta: enquanto ferramentas como Obsidian resolvem bem o armazenamento e a navegação para humanos, uma IA precisa de um motor de relevância e priorização para que a “memória” realmente funcione no momento da resposta.

Para mais detalhes sobre o raciocínio, os exemplos e o próximo devlog, assista ao vídeo.

---

Sua empresa pode ir mais longe com inteligência artificial.
Na Sincron IA, criamos soluções sob medida em automação e IA para empresas que querem liderar seus mercados.
Vamos conversar → sincronia.digital