Panorama de implementações (abril 2026)

Panorama de implementações

TL;DR

Em abril de 2026 há aproximadamente uma dúzia de implementações relevantes de memória de agentes circulando entre conferências, papers, threads no X e repositórios populares. Elas se agrupam em três famílias: (1) inspiradas no LLM Wiki Pattern do Karpathy — LLM-knowledge-base (Wendel), graphify, basic-memory, NicholasSpisak/second-brain, Apify Second Brain Builder; (2) frameworks de produção — Letta (ex-MemGPT), Mem0, Zep/Graphiti, MemPalace, Cognee, LangMem, SuperMemory; (3) acadêmicas — A-MEM. Esta nota é o gateway da Wave 5 da trilha: mapeia o terreno, oferece tabela síntese com hedges nos números e um fluxograma de escolha. As notas seguintes (10–16) detalham implementação por implementação.

O que é

Esta nota é um mapa de mercado, não um catálogo exaustivo. O recorte temporal é deliberado: abril de 2026, momento em que o campo já tem benchmarks consolidados, surveys formais (ver 19 - Surveys) e o primeiro workshop dedicado em venue top-tier (MemAgents no ICLR 2026). Ferramentas surgem e somem rápido — três meses atrás MemPalace ainda não existia publicamente; daqui a três meses pode haver outras três que valem a pena. O objetivo aqui não é congelar uma lista definitiva, mas oferecer um esqueleto de orientação que o leitor possa reabrir periodicamente para reatualizar.

A trilha trata cada implementação relevante em nota própria a partir da 10 em diante. Esta nota — a 09 — funciona como índice anotado: explica como elas se relacionam, o que cada família resolve, quais sinalizam maturidade técnica e quais ainda são novidade promissora sem track-record. Quando uma decisão arquitetural precisa ser tomada — qual framework adotar, ou se vale construir do zero — esta página é o ponto de partida; as notas seguintes são o aprofundamento.

Por que importa

• Orienta a escolha de ferramenta sem afogamento. A Lista de implementações de memória cresceu rápido em 2025–2026; sem um mapa, é fácil escolher pela primeira que apareceu no feed.
• Situa cada implementação na trilha. Cada linha da tabela tem uma nota dedicada; esta página é o índice navegável.
• Separa hype recente de maturidade técnica. “Lançada em abril” e “estável em produção” não são sinônimos. A coluna de maturidade na tabela explicita esse corte.
• Dá vocabulário comparativo. Termos como LongMemEval, self-host, audit trail, memory palace, knowledge graph têm significado preciso e vêm das fontes primárias — não são marketing.

Como funciona — tabela síntese

Os números mudam frequentemente

Pricing, scores de benchmark e contagem de integrações são instantâneos de abril de 2026. Antes de citar qualquer linha em texto público, verifique a fonte primária listada em Referências. Cada implementação tem nota própria com tratamento mais detalhado.

Implementação	Família	Substrato	LongMemEval	Custo	Maturidade	Quando usar
LLM-knowledge-base (Wendel)	Karpathy-inspired	Markdown + Python (kb/)	n/a	self-host	beta	implementação direta do gist, em PT, com hybrid search (BM25 + RRF) e healing automático
graphify	Karpathy-inspired	Knowledge graph (NetworkX, sem embeddings)	n/a	self-host (MIT)	beta	mixed-media (código, docs, vídeo, imagem); skill nativa para Claude Code/Cursor/Codex
basic-memory	Karpathy-inspired	Markdown + SQLite	n/a	open-source (AGPL-3.0)	estável	melhor integração markdown via MCP server; arquivos legíveis em Obsidian
Letta (ex-MemGPT)	Production	Hierarchical (RAM/disco, paginação)	não publicado	freemium / cloud paga	estável	self-editing memory, herdeiro do MemGPT, ecossistema maduro
Mem0	Production	Vetor + grafo	≈ 93,4% (auto-reportado)	tiers freemium	estável	rede ampla de integrações (LangChain, LangGraph, CrewAI, LlamaIndex, AutoGen, Agno e outras — verificar lista atual)
Zep/Graphiti	Production	Knowledge graph temporal (bi-temporal)	+ 18,5% sobre full-context com GPT-4o	tiers cloud	estável	enterprise, audit trail, raciocínio temporal
MemPalace	Production	Memory palace + SQLite	96,6% R@5 raw / ≥ 99% com LLM reranking	grátis local	recente (abr/2026)	local-first, MCP, sem cloud obrigatório
Cognee	Production	Pipeline modular (KG + vetor)	não publicado	open-source + cloud	em consolidação	quando se quer pipeline ETL de memória declarativo
LangMem	Production	Plug-in para LangChain/LangGraph	não publicado	open-source	em consolidação	quando o stack já é LangChain
SuperMemory	Production	Vetor + UI proprietária	não publicado	SaaS	em consolidação	uso pessoal com interface pronta
A-MEM	Acadêmica	Zettelkasten linkado dinamicamente	benchmark LoCoMo, não LongMemEval	research code	research	estudar a fronteira (NeurIPS 2025)

O símbolo "≈" e "+" não são casuais

”≈ 93,4%” significa “score auto-reportado pelos autores em uma versão específica do benchmark”. ”+ 18,5%” é melhoria sobre baseline, não score absoluto. As duas grandezas não são diretamente comparáveis — quem reporta uma usa convenção diferente de quem reporta a outra. Detalhes em 20 - Comparativo crítico.

Detalhes contextuais sobre LongMemEval

LongMemEval é o benchmark padrão da indústria para avaliar memória de longo prazo em LLM agents. Foi proposto em ICLR 2025 e o repositório oficial é github.com/xiaowu0162/LongMemEval. Ele isola cinco capacidades de memória — information extraction, multi-session reasoning, temporal reasoning, knowledge updates e abstention — em um conjunto de tarefas com histórico longo de sessões. É a referência preferida quando o objetivo é comparar implementações de forma minimamente justa.

Três observações importantes ao ler scores:

• Quem não publicou scores. Letta, Cognee, LangMem e SuperMemory não divulgaram, no momento da publicação desta nota, scores em LongMemEval. Isso não significa que sejam ruins — significa que falta evidência pública para comparação. É um sinal a considerar quando transparência importa (auditorias, decisões enterprise, defesa pública de escolha técnica).
• Score de MemPalace em modo híbrido tem ressalvas. A versão hybrid v4 held-out atinge 98,4% R@5 e a versão com LLM reranking atinge ≥ 99% R@5. Esses números, embora reais, foram obtidos com tuning adicional — análise crítica detalhada em 21 - Críticas, limitações e armadilhas. Comparar 96,6% raw com 93,4% auto-reportado por Mem0 já não é apples-to-apples; comparar 99% híbrido é menos ainda.
• A-MEM usa LoCoMo, não LongMemEval. O paper de Wujiang Xu et al. (NeurIPS 2025, arXiv 2502.12110) avalia em LoCoMo, benchmark distinto, com cinco categorias de pergunta e formulação diferente. Não é comparável diretamente com os números em LongMemEval. Detalhes em 18 - A-MEM — Zettelkasten dinâmico.

A regra prática é: scores são úteis para descartar ferramentas claramente fracas, não para escolher entre ferramentas próximas. Quando dois sistemas estão dentro de poucos pontos um do outro, custo, integração e ergonomia decidem mais do que benchmark.

Como escolher — fluxograma

flowchart TD
    Start([Caso de uso]) --> Q1{Local-first?<br/>Privacy-first?}
    Q1 -->|sim| Q2{Já usa Obsidian<br/>ou markdown puro?}
    Q2 -->|sim| BM[basic-memory<br/>MCP server, arquivos legíveis em Obsidian]
    Q2 -->|não| MP[MemPalace<br/>SQLite local, 29 MCP tools]
    Q1 -->|não| Q3{Enterprise<br/>com audit trail?}
    Q3 -->|sim| Q4{Precisa raciocinar<br/>sobre tempo?}
    Q4 -->|sim| ZG[Zep/Graphiti<br/>knowledge graph temporal]
    Q4 -->|não| LE[Letta<br/>hierarchical memory]
    Q3 -->|não| Q5{Stack já é<br/>LangChain/LangGraph/CrewAI?}
    Q5 -->|sim| M0[Mem0<br/>rede ampla de integrações]
    Q5 -->|não| Q6{Quer dominar<br/>profundamente o pattern?}
    Q6 -->|sim| WIKI[do zero seguindo<br/>o LLM Wiki Pattern]
    Q6 -->|não| BM

O fluxograma é heurístico, não normativo. Existem casos legítimos de combinar duas ferramentas — por exemplo, basic-memory para o vault pessoal e Mem0 para um agente em produção — e existem casos em que nenhuma das opções serve e o melhor é construir uma solução custom seguindo o gist do Karpathy. O ponto é eliminar paralisia: dado um caso de uso, o fluxograma aponta um candidato razoável de partida.

Quando NÃO usar implementação pronta

• Quando o objetivo é dominar profundamente o LLM Wiki Pattern. Escrever do zero a partir do gist do Karpathy (06 - O LLM Wiki Pattern (gist do Karpathy)) é um exercício pedagógico sem substituto. Frameworks abstraem decisões que vale a pena tomar manualmente pelo menos uma vez.
• Quando o caso é tão específico que adaptação custa mais que construir. Schema customizado, regras de retenção idiossincráticas, integrações exóticas — em algum ponto o esforço de domar uma framework supera o de escrever a coisa.
• Quando o volume é baixo demais para justificar overhead. Para um conjunto pequeno de notas e um agente que o consulta esporadicamente, markdown puro + Claude Code com CLAUDE.md schema já resolve. Adicionar SQLite, vetor e grafo cria operação que não se paga.
• Quando o requisito principal é auditoria forte. Algumas frameworks armazenam memórias em estruturas opacas (vetor + JSON ofuscado). Se o caso exige inspeção humana fácil, markdown legível (07 - Por que Obsidian e markdown como substrato) ganha de qualquer abstração.

Armadilhas comuns

• Confundir LongMemEval score com qualidade real em produção. O benchmark mede capacidades específicas em distribuição específica; sistemas podem estar otimizados para o benchmark sem ganho proporcional em casos reais. Análise crítica em 21 - Críticas, limitações e armadilhas.
• Escolher por hype recente sem benchmark próprio. MemPalace é abril/2026 — promissor, mas sem track-record longo. Letta tem vários anos de iteração desde MemGPT. As duas afirmações coexistem; o leitor decide o trade-off.
• Não checar se o framework tem fallback de provider. Se a memória depende exclusivamente de OpenAI ou Anthropic, mudanças de pricing ou rate-limit derrubam o sistema. Frameworks maduros oferecem providers configuráveis.
• Achar que “estável” é absoluto. Em 2026 o campo se move rápido; “estável hoje” pode ser “deprecated em seis meses”. Reavaliar periodicamente faz parte da operação de qualquer sistema de memória que o leitor adote.
• Tratar a tabela como autoridade final. Esta nota é instantânea. Antes de tomar uma decisão arquitetural, é obrigatório abrir os repos e blogs primários para ver o que mudou.

Veja também

• 06 - O LLM Wiki Pattern (gist do Karpathy) — pattern que inspira a família 1
• 10 - LLM-knowledge-base — implementação canônica em PT
• 11 - graphify — graph-based, mixed-media
• 12 - basic-memory — MCP server, markdown legível em Obsidian
• 13 - Letta — framework production, hierarchical
• 14 - Mem0 — vetor + grafo, rede ampla de integrações
• 15 - Zep e Graphiti — KG temporal, enterprise
• 16 - MemPalace — memory palace local-first
• 18 - A-MEM — Zettelkasten dinâmico — research/Zettelkasten
• 19 - Surveys e estado da arte 2026 — fundamentação acadêmica
• 20 - Comparativo crítico — análise rigorosa de benchmarks
• 21 - Críticas, limitações e armadilhas — auditoria honesta do campo

Referências

• LongMemEval (Wu et al., ICLR 2025) — repositório oficial em https://github.com/xiaowu0162/LongMemEval
• Vectorize.io — Best AI Agent Memory Systems in 2026: https://vectorize.io/articles/langchain-memory-alternatives
• Atlan — Best AI Agent Memory Frameworks 2026 (comparativo editorial)
• DEV.to (Bhardwaj / Anajulia Bittencourt) — Mem0 vs Zep vs LangMem vs MemoClaw: AI Agent Memory Comparison 2026: https://dev.to/anajuliabit/mem0-vs-zep-vs-langmem-vs-memoclaw-ai-agent-memory-comparison-2026-1l1k
• Mem0 blog — State of AI Agent Memory 2026: https://mem0.ai/blog/state-of-ai-agent-memory-2026
• Graphlit — Survey of AI Agent Memory Frameworks (comparativo editorial)
• Repositórios primários:
  • https://github.com/wendeus0/LLM-knowledge-base (Wendel — direto do gist do Karpathy)
  • https://github.com/safishamsi/graphify (knowledge graph, MIT)
  • https://github.com/basicmachines-co/basic-memory (Markdown + SQLite, AGPL-3.0)
  • https://github.com/letta-ai/letta (ex-MemGPT)
  • https://github.com/mem0ai/mem0 (Mem0)
  • https://github.com/getzep/graphiti (Graphiti, KG temporal)
  • https://github.com/milla-jovovich/mempalace (MemPalace)
  • https://github.com/agiresearch/A-mem e https://github.com/WujiangXu/AgenticMemory (A-MEM)
• Zep blog — State of the Art Agent Memory (números de + 18,5% sobre baseline com GPT-4o): https://blog.getzep.com/state-of-the-art-agent-memory/
• Karpathy gist do LLM Wiki Pattern (3 de abril de 2026) — referenciado em 06 - O LLM Wiki Pattern (gist do Karpathy)