Surveys e estado da arte 2026

TL;DR

O campo de memória de agentes está suficientemente maduro em 2026 para ter surveys formais, workshop dedicado no ICLR 2026 (“MemAgents”) e taxonomias consolidadas. Esta nota organiza os principais surveys publicados entre 2024 e o início de 2026, extrai os frameworks teóricos que eles compartilham — em especial os cinco mecanismos arquiteturais que aparecem como consenso emergente — e separa o que é “agent memory” do que é “LLM memorization”, confusão recorrente em discussões fora da academia. Material essencial para discurso público fundamentado e para localizar criticamente qualquer implementação concreta dentro do campo.

Os principais surveys

A literatura de memória de agentes saiu, entre 2024 e início de 2026, de um conjunto disperso de papers para um corpo organizado, com surveys que se complementam mais do que competem. Cinco trabalhos cobrem hoje o grosso do campo.

1. Du (2026) — Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers

Survey de autor único (Pengfei Du), publicado em arXiv em março de 2026 sob o identificador arXiv:2603.07670. Cobre o intervalo de 2022 ao início de 2026. O formalismo central é tratar memória como um write–manage–read loop tightly coupled with perception and action — um ciclo de escrita, gerenciamento e leitura acoplado ao laço sensoriomotor do agente. A partir desse formalismo, o autor identifica cinco famílias de mecanismos (detalhadas mais adiante) e propõe uma taxonomia tridimensional para classificar implementações. O paper discute também desafios de engenharia (filtragem de write-path, tratamento de contradições, restrições de latência, privacidade) e questões abertas (consolidação contínua, retrieval causalmente fundamentado, mecanismos de esquecimento aprendido). É a referência mais conveniente quando o objetivo é citar um único trabalho que cubra tanto os mecanismos quanto a avaliação do campo.

2. Memory in the Age of AI Agents: A Survey (Hu et al., 2025)

Survey publicada em arXiv sob o identificador arXiv:2512.13564, com Yuyang Hu como primeiro autor e mais de quatro dezenas de co-autores. O framework analítico tem três dimensões: Forms (token-level, parametric, latent), Functions (factual, experiential, contextual) e Dynamics (formação, consolidação, retrieval). O companion paper-list é mantido por Shichun Liu em github.com/Shichun-Liu/Agent-Memory-Paper-List — repositório frequentemente atualizado e com tração visível na comunidade, que funciona na prática como o índice mais útil do campo: quando uma referência é citada num paper recente, costuma estar listada lá com link direto. Vale acompanhar como termômetro do que circula em arXiv.

3. From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms

Disponível em OpenReview (openreview.net/forum?id=l9Ly41xxPb) e como preprint em Preprints.org, com versão pública em março de 2026. A contribuição distintiva é um framework evolutivo em três estágios: Storage (preservação de trajetórias), Reflection (refinamento de trajetórias) e Experience (abstração de trajetórias). A leitura proposta é diacrônica — sistemas mais antigos seriam Storage-bound, sistemas como Generative Agents introduziram Reflection, e a frontier (em 2026) está em Experience, com mecanismos de proactive exploration e cross-trajectory abstraction. É útil para classificar maturidade de implementações concretas: dada uma framework qualquer, em que estágio ela opera?

4. LLM Agent Memory: A Survey from a Unified Representation–Management Perspective

Survey em OpenReview (openreview.net/forum?id=KPs1EgGKcT), publicada em março de 2026. A proposta é uma taxonomia bidimensional que separa representação de management. Em representação, organiza memórias em três paradigmas: natural language tokens, intermediate representations e parameters. Em management, identifica três estágios operacionais: construction, update e query. O framework é avaliado aplicando-se a treze agents state-of-the-art e mostrando que a maior parte dos sistemas se encaixa cleanly numa célula da matriz representação × management — um teste de adequação razoavelmente bem-sucedido. É a referência preferida quando o ponto é discutir operações sobre memória, não conteúdo.

5. ACM TOIS — A Survey on the Memory Mechanism of LLM-based Agents

Versão journal (ACM Transactions on Information Systems, DOI 10.1145/3748302), de Zhang et al., evoluída a partir do preprint arXiv:2404.13501 e com repositório companheiro em github.com/nuster1128/LLM_Agent_Memory_Survey. É a primeira survey peer-reviewed em journal de prestígio dedicada exclusivamente ao tópico. O escopo é mais sistemático: define formalmente o módulo de memória, justifica sua necessidade, taxonomiza desenhos e avaliações, exibe aplicações típicas e discute limitações e direções futuras. Por estar em venue tradicional e ter passado por revisão formal, é a referência preferida em contextos acadêmicos e em qualquer texto que precise de rigor citacional.

Outros materiais úteis (não-survey)

Além das cinco surveys acima, dois recursos complementam o mapa: o Awesome-GraphMemory (github.com/DEEP-PolyU/Awesome-GraphMemory), que cataloga sistemas, benchmarks e papers especificamente da família grafo-de-conhecimento; e o Awesome-Agent-Memory (github.com/TeleAI-UAGI/Awesome-Agent-Memory), com escopo mais largo. Não são surveys formais, mas funcionam como índices curados.

Os 5 mecanismos arquiteturais (consenso emergente)

A taxonomia mais útil para navegar o campo é a de cinco famílias de mecanismos, formalizada por Du (2026) e parcialmente recoberta pelos demais surveys com nomes diferentes. Toda implementação concreta cabe em uma ou mais dessas famílias.

graph TB
    Mem[Memory mechanisms]
    Mem --> CRC[1. Context-Resident Compression<br/>compactação no contexto]
    Mem --> RAS[2. Retrieval-Augmented Stores<br/>RAG-like external memory]
    Mem --> RSI[3. Reflective Self-Improvement<br/>reflection no Park-style]
    Mem --> HVC[4. Hierarchical Virtual Context<br/>MemGPT-style OS analogy]
    Mem --> PLM[5. Policy-Learned Management<br/>RL-based store/forget]

1. Context-Resident Compression. A memória vive dentro do context window, mas comprimida — sumarizações, ablações, soft prompts ou tokens latentes que condensam histórico em menos tokens. Útil em horizontes médios; falha quando o histórico cresce muito ou quando precisão semântica importa.
2. Retrieval-Augmented Stores. Memória externa indexada (vetorial, lexical, grafo ou híbrida) consultada a cada turno via retrieval. É a família dominante em produção — RAG aplicado a histórico do agente, com ou sem preprocessing. Cobre desde o RAG ingênuo até sistemas como Mem0 e Graphiti.
3. Reflective Self-Improvement. O agente periodicamente reflete sobre memórias recentes e gera abstrações de mais alto nível, que viram novas entradas no próprio store. É o padrão inaugurado por Generative Agents e refinado em sistemas como A-MEM.
4. Hierarchical Virtual Context. Analogia de sistema operacional: memória organizada em níveis (RAM rápida, disco lento) com paginação explícita gerenciada pelo próprio LLM. Inaugurada pelo MemGPT e continuada em Letta. O agente decide ativamente o que paginar para dentro e fora do contexto.
5. Policy-Learned Management. Em vez de regras fixas para escrever/atualizar/esquecer, treina-se uma policy (geralmente via RL) que aprende quando registrar, sumarizar ou descartar. É a família mais frontier — apareceu em força em 2025-2026 com trabalhos como Agentic Memory e propostas de learned forgetting.

Sistemas reais combinam famílias. MemPalace, por exemplo, mistura retrieval-augmented com hierarchical virtual context. A taxonomia é descritiva, não prescritiva — serve para localizar e comparar, não para forçar implementações em caixinhas exclusivas.

ICLR 2026 Workshop “MemAgents”

O sinal mais claro de maturidade institucional do campo é o primeiro workshop dedicado em venue top-tier: Workshop on Memory for LLM-Based Agentic Systems (URL: sites.google.com/view/memagent-iclr26/).

• Por que importa. Workshops em conferências como ICLR são o ritual pelo qual subáreas emergentes ganham reconhecimento como linha de pesquisa autônoma. A existência do MemAgents marca o momento em que “memória de agentes” deixa de ser um tema lateral em workshops de agents-em-geral e passa a ter espaço próprio.
• Topics oficiais. Memory architectures (episódica, semântica, working, parametric); systems & evaluation (estruturas de dados, retrieval pipelines, benchmarks); abordagens neuroscience-inspired (complementary learning systems, consolidação hipocampo-cortical); lifelong learning e consolidação; abordagens human-centric; explicit vs. parametric memory.
• Data e local. Acontece em 27 de abril de 2026, em Rio de Janeiro, em formato híbrido (sede da ICLR 2026 brasileira). Tracks de submissão incluem full papers (9 páginas), short papers (4 páginas) e tiny papers (2 páginas), com revisão duplo-cego via OpenReview e acceptance notifications anunciadas em março de 2026.

Distinção crítica do campo (consensual)

Um ponto que todos os cinco surveys reforçam, com variações de vocabulário, é que agent memory ≠ LLM memorization. A confusão é recorrente em discussões públicas e até em artigos divulgativos: “o LLM já tem memória, é só a gente fazer fine-tuning”. Os surveys deixam claro que se trata de coisas operacionalmente distintas, em três dimensões.

Dimensão	Agent memory	LLM memorization
Quando aprende	Online, durante interação	Pretraining (offline)
Onde vive	Híbrido externo + parametric	Primarily parametric
Como é gerida	Explicit write/forget policies	Opaque parametric retention

Em outras palavras: agent memory é uma camada de runtime, observável, auditável e gerenciada por políticas explícitas; LLM memorization é o que ficou nos pesos depois do treinamento, opaco e dificilmente revisável sem retraining. Um agente que precisa lembrar do que o usuário falou ontem não consegue resolver isso via memorização — porque “ontem” não existia no pretraining. Confundir os dois leva a soluções erradas: tentar resolver problemas de memória episódica com fine-tuning, ou esperar que prompt engineering substitua um store externo.

Tendências emergentes em 2026

A interseção entre os cinco surveys aponta cinco tendências que dominam a frontier do campo em 2026:

1. Continual learning sem catastrophic forgetting. Como atualizar memória a longo prazo sem que adições novas degradem o que já foi consolidado? Aparece em todos os surveys como questão aberta; soluções em circulação envolvem consolidação seletiva e learned forgetting.
2. Multi-agent shared memory. Memória compartilhada entre múltiplos agents que cooperam — protocolos de leitura/escrita, controle de acesso, resolução de contradições. Crescente em 2025-2026 com o avanço de orquestração multi-agent.
3. Memória multimodal. Texto, imagem e áudio coexistindo num único store. Mais difícil que parece: representações unificadas, retrieval cross-modal, evolução temporal de mídias diferentes. Du (2026) destaca como uma das frontiers menos consolidadas.
4. Privacy-preserving memory. Encryption, federated learning e differential privacy aplicados a stores de memória. Particularmente relevante quando memória pessoal é armazenada por longos períodos — questão regulatória e ética, não só técnica.
5. Avaliação rigorosa. LongMemEval, LoCoMo, MemBench, MemoryAgentBench e MemoryArena apareceram em rápida sucessão em 2025-2026. O campo passou de “olhar exemplos qualitativos” para benchmarks com métricas comparáveis. Discussão detalhada em 20 - Comparativo crítico.

Por que importa para a trilha

• Esta nota é a fundamentação acadêmica que sustenta o resto da trilha. Quando notas anteriores afirmam que A-MEM é “estado da arte” ou que o LLM Wiki Pattern “se alinha com a literatura recente”, são estes os surveys que justificam tais afirmações.
• Fornece vocabulário rigoroso para discutir o campo sem cair em hype: termos como write-manage-read loop, context-resident compression, policy-learned management têm significado técnico preciso e vêm direto da literatura. Discurso público mal calibrado tende a usar “memória” como guarda-chuva sem distinguir os mecanismos por baixo.
• É material de apoio para discurso profissional: entrevistas técnicas, conversas com stakeholders, posicionamento em projetos. Saber citar Du (2026) ou o ACM TOIS para fundamentar uma decisão arquitetural sinaliza maturidade no campo. Separa quem leu sobre o tema na semana passada de quem acompanha a literatura.

Veja também

• 03 - Taxonomia — vocabulário fundamental, cognitivo, anterior aos surveys
• 08 - Arquitetura de um sistema de memória — onde os 5 mecanismos encaixam num desenho concreto
• 17 - Generative Agents — paper foundational citado por todos os surveys
• 18 - A-MEM — Zettelkasten dinâmico — paper recente, instância de Reflective Self-Improvement
• 20 - Comparativo crítico — onde os benchmarks da tendência (5) aparecem em ação
• 21 - Críticas, limitações e armadilhas — auditoria honesta do campo, complemento crítico desta nota

Referências

• Du, P. (2026). Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers. arXiv preprint — https://arxiv.org/abs/2603.07670
• Zhang, Z., Bo, X., Ma, C., Li, R., Chen, X., Dai, Q., Zhu, J., Dong, Z., Wen, J.-R. A Survey on the Memory Mechanism of Large Language Model-based Agents. ACM Transactions on Information Systems — https://dl.acm.org/doi/10.1145/3748302 (preprint em https://arxiv.org/abs/2404.13501; repositório em https://github.com/nuster1128/LLM_Agent_Memory_Survey)
• From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms. OpenReview — https://openreview.net/forum?id=l9Ly41xxPb
• LLM Agent Memory: A Survey from a Unified Representation–Management Perspective. OpenReview — https://openreview.net/forum?id=KPs1EgGKcT
• Hu, Y. et al. (2025). Memory in the Age of AI Agents: A Survey. arXiv 2512.13564 — https://arxiv.org/abs/2512.13564
• Agent-Memory-Paper-List — companion paper-list mantido por Shichun Liu em https://github.com/Shichun-Liu/Agent-Memory-Paper-List
• ICLR 2026 Workshop on Memory for LLM-Based Agentic Systems (“MemAgents”) — https://sites.google.com/view/memagent-iclr26/
• Awesome-GraphMemory — https://github.com/DEEP-PolyU/Awesome-GraphMemory (catálogo curado de sistemas grafo-baseados)
• Awesome-Agent-Memory (TeleAI-UAGI) — https://github.com/TeleAI-UAGI/Awesome-Agent-Memory (catálogo curado complementar)