Modelo de dados para memória de agentes de IA: registros que sobrevivem
Modelo de dados para agentes de IA com registros estáveis de clientes, trabalhos e ativos, que sobrevivem à troca de modelo e seguem sob controle humano.

Um modelo de dados para memória de agentes de IA é o conjunto de registros que o agente lê e escreve para manter o conhecimento da empresa: registros estáveis de entidades como clientes, trabalhos e ativos, cada um com identificador fixo, campos definidos, um responsável nomeado e uma fonte para cada fato. Como esses registros ficam em um armazenamento que a empresa controla, e não dentro dos pesos de um modelo ou de um histórico de chat, um modelo novo consegue lê-los já no primeiro dia de uso. Este artigo explica como definir esses registros e o que decidir antes que um agente comece a usá-los.
Principais pontos
- Guarde a memória da empresa como registros de entidades com identificadores estáveis, e não como transcrições de chat ou textos longos de prompt.
- Comece com três tipos de entidade, clientes, trabalhos e ativos, e dê a cada campo um único papel responsável e uma única fonte.
- Separe fatos confirmados, anotações da equipe e resumos escritos pelo agente, para que quem lê saiba o que foi verificado.
- Versione o esquema e registre cada alteração, para que a troca de modelo não mude silenciosamente o significado de um campo.
- Teste a recuperação com perguntas de resposta conhecida após cada troca de modelo ou de prompt, antes de ampliar o acesso do agente.
Por que a memória da empresa não deve ficar dentro do modelo
Modelos são substituídos. Um fornecedor descontinua uma versão, surge um modelo melhor ou a equipe decide direcionar um fluxo para outra ferramenta. Se o que a empresa sabe sobre seus clientes existe apenas no histórico de conversas ou dentro de um prompt, cada mudança exige reconstruir esse conhecimento à mão, ou perder parte dele. A janela de contexto impõe um segundo limite. O agente só raciocina sobre o que é carregado em uma única requisição, então fatos antigos saem de cena, a menos que algo externo ao modelo selecione e leve esses fatos adiante.
A resposta prática é uma camada de registros que a empresa possui, com o modelo atuando como leitor e escritor dessa camada. Essa camada não é uma cópia de todos os documentos. É a versão acordada dos fatos em que o negócio se apoia: quem é o cliente, que serviço foi feito, qual equipamento está instalado e o que ainda está em aberto.
Isso não torna o histórico de conversas inútil. Um resumo de uma thread de atendimento ajuda na próxima mensagem. A diferença está na autoridade. Um resumo é uma conveniência para uma interação, enquanto um registro de entidade é a referência da qual outras interações dependem. A distinção entre os dois é tratada em memória de IA versus histórico de chat, e o lado do carregamento do problema está em janela de contexto em IA.
O que um registro de entidade contém
Um registro de entidade descreve uma coisa que o negócio acompanha ao longo do tempo. Um bom registro é simples de propósito. Cada cliente, trabalho e ativo tem a mesma estrutura básica, para que um modelo que leia o registro não precise adivinhar onde estão guardados um telefone, uma data de serviço ou um número de série. Um mínimo viável inclui:
- Um identificador estável, atribuído uma vez e nunca reaproveitado para outra coisa
- Um tipo de entidade escolhido em uma lista curta e fixa
- Atributos centrais, cada um com formato definido, como texto, data ou status em lista fechada
- Relações com outras entidades, guardadas pelo identificador e não pelo nome
- Uma referência de fonte que informa de onde veio cada fato
- Um status, como ativo, pausado, encerrado ou arquivado
- Um papel responsável pela exatidão do registro
- Um log de alterações que registra o que mudou, quem aprovou e por quê
Nomes são a chave mais fraca que um sistema de memória pode usar. Duas pessoas têm o mesmo nome, uma empresa muda sua razão de fantasia e um mesmo endereço aparece digitado de três formas diferentes. Identificadores impedem que o modelo funda dois clientes só porque o texto deles se parece. As regras para decidir quando dois registros descrevem a mesma parte são uma tarefa de desenho separada, tratada em unificar cadastro de clientes com IA.
Clientes, trabalhos e ativos: por que estes três
A maioria dos negócios de serviço pode organizar sua memória em três tipos de entidade. Cliente é quem solicita ou paga pelo serviço. Trabalho é uma unidade de serviço com escopo, janela de datas e resultado. Ativo é algo que persiste entre trabalhos: um veículo, uma máquina, um sistema de um prédio, uma unidade de aluguel ou um equipamento instalado. As relações são simples. Um cliente solicita trabalhos, um trabalho toca um ou mais ativos, e o histórico de um ativo é o conjunto dos trabalhos que o atenderam.
Essa estrutura responde às perguntas que a equipe mais faz. O que já foi feito aqui? O que ainda está aberto? Qual equipamento está coberto, e por qual visita? Quando essas respostas vêm de registros em vez de texto reconstruído a cada vez, o agente fica mais rápido e mais fácil de conferir. Acrescentar muitos tipos logo no início costuma tornar o esquema mais difícil de manter correto, porque cada novo tipo traz seus próprios responsáveis, status e regras de atualização. Comece pelos três que o seu primeiro fluxo realmente usa, e acrescente outros só quando uma pergunta real não puder ser respondida sem eles.
Um plano passo a passo para o primeiro esquema
Definir o esquema é um exercício operacional, não um exercício de banco de dados. A sequência a seguir mantém o trabalho ligado ao que o negócio precisa que seja feito:
- Passo 1: escolha o único fluxo que o agente vai atender primeiro e anote as perguntas que ele precisa responder corretamente.
- Passo 2: para cada pergunta, liste os campos necessários para respondê-la. Remova todo campo que nenhuma pergunta utiliza.
- Passo 3: escreva os três tipos de entidade com esses campos, uma linha por campo, incluindo formato e valores permitidos.
- Passo 4: nomeie um papel responsável por cada campo e o sistema onde esse campo é a fonte oficial.
- Passo 5: marque cada campo como fato confirmado, anotação da equipe ou resumo gerado pelo agente.
- Passo 6: defina o formato do identificador, a regra para unificar duplicatas e o papel autorizado a aprovar uma unificação.
- Passo 7: decida quais campos o agente pode escrever diretamente, quais ele só pode propor e quais exigem aprovação humana.
- Passo 8: teste a recuperação com um conjunto de perguntas cujas respostas corretas a equipe já conhece, e registre cada erro.
Mantenha o esquema sob controle de versão ou em um changelog datado. Cada alteração deve dizer quais perguntas ela afeta, para que um revisor futuro entenda por que um campo existe e o que quebra se ele for removido. O lado de permissões do passo 7 deve seguir regras explícitas por papel e por ação, e não uma concessão ampla. A folha de referência de autorização do OWASP é uma boa referência para essa disciplina. O esquema também precisa de um caminho de entrada para novas entidades, e é aí que o esquema de memória para agentes de IA detalha o desenho dos campos.
Separar fatos confirmados de opiniões e rascunhos
Um registro que mistura o que o cliente disse, o que o técnico suspeitou e o que o agente inferiu vai induzir a erro o próximo leitor, humano ou máquina. Cada fato deve carregar o tipo da sua fonte. Um fato confirmado vem de uma nota fiscal, de um documento assinado, de um evento do sistema ou de uma correção aprovada pelo papel responsável. Uma anotação da equipe é útil, mas traz o julgamento de quem escreveu, então deve ser identificada como tal. Um resumo do agente é um rascunho até que alguém o confira com os registros.
A regra prática é que o agente responda a partir de fatos confirmados e apresente anotações da equipe como anotações. Quando precisar se apoiar em um rascunho, deve dizer isso. Esse é o principal motivo para guardar o tipo de fonte como campo, e não como comentário em texto livre. O raciocínio por trás dessa separação é explorado em fatos de clientes versus opiniões da equipe na memória de IA. O NIST AI Risk Management Framework oferece um vocabulário mais amplo para governar sistemas assim, incluindo como documentar do que um sistema depende e quem responde por isso.
Cenário ilustrativo: uma empresa de reparos que troca de modelo
Cenário ilustrativo, não é um cliente real. Uma empresa de conserto de eletrodomésticos residenciais usa um agente que responde a dúvidas sobre agenda e garantia. Os registros guardam um identificador de cliente, um registro de ativo para cada aquecedor de água instalado, com o número de série copiado da nota fiscal, e um histórico de trabalhos ligado a esses ativos pelo identificador. Mais tarde, a empresa move o agente para um modelo mais novo. Como o agente lê os mesmos registros, suas respostas sobre datas de garantia e visitas anteriores continuam coerentes com o que a equipe já vê.
Algum tempo depois da troca, um despachante percebe que o endereço de um cliente está sem o número do apartamento. A correção é feita no registro do cliente pelo papel responsável por endereços, o log de alterações mostra quem aprovou, e a próxima resposta já reflete o ajuste. Ninguém precisou explicar de novo os equipamentos da empresa para um sistema novo, e ninguém precisou procurar conversas antigas para achar o endereço correto. Esse é o valor prático de uma camada de registros que sobrevive ao modelo.
Como a Be Human trabalha isso em um projeto gerenciado
A Be Human desenha e opera essa camada de registros como parte de um primeiro projeto, que define um papel útil, a memória e as ferramentas que esse papel precisa, seus limites de aprovação e um critério de sucesso observável. O esquema de entidades é escrito com os responsáveis nomeados pelo cliente, versionado e ligado às perguntas que o papel precisa responder. Depois do lançamento, a operação gerenciada cobre monitoramento, revisão de permissões, manutenção das integrações e avaliações recorrentes, para que os registros e o acesso do agente continuem atualizados conforme o negócio muda. Quando um modelo é substituído, a recuperação é testada contra os registros existentes antes que o novo modelo atenda trabalho de produção. A Be Human atua remotamente, em inglês e em português, e o primeiro passo costuma ser uma revisão curta de onde os fatos de clientes, trabalhos e ativos estão guardados hoje. Se você não tem certeza de qual tarefa do seu negócio deve ser a primeira, faça o diagnóstico gratuito de IA da Be Human para encontrar a primeira tarefa que vale entregar a um agente.
Perguntas frequentes
Preciso de um banco de dados para guardar registros de entidades? Não no começo. Um armazenamento estruturado, como um banco relacional ou um conjunto de tabelas em um sistema que você já usa, basta para clientes, trabalhos e ativos na maioria das operações pequenas. O que importa mais do que a tecnologia é que todo registro tenha identificador, responsável e log de alterações, algo que uma planilha compartilhada raramente garante quando várias pessoas editam ao mesmo tempo.
Um banco de dados vetorial pode substituir os registros de entidades? Não. A busca vetorial encontra trechos parecidos com a pergunta, mas não confirma que o texto encontrado é o fato atual sobre um cliente ou ativo específico. Os registros de entidades dão ao agente uma consulta exata pelo identificador, e a recuperação pode então trazer os documentos de apoio em torno desses registros. Os dois funcionam juntos, e um não substitui o outro. Se a dúvida for essa, veja preciso de um banco de dados vetorial para IA na empresa?.
Como os registros de entidades ajudam quando trocamos de modelo de IA? Os registros ficam fora do modelo, então um modelo novo lê os mesmos identificadores, campos e histórico. O que muda é a qualidade com que o modelo lê e escreve esses dados, e isso é o que você testa com perguntas de resposta conhecida antes de liberar o uso. Como as alterações de esquema são registradas, uma mudança de significado não passa despercebida.
Quem deve ser o dono dos registros? Cada campo deve ter um papel responsável nomeado, normalmente a pessoa que responde pelo processo que gera o fato, como o financeiro para dados de notas fiscais ou o despacho para visitas agendadas. O agente pode propor alterações, mas a aprovação e a escrita final cabem ao papel responsável, a menos que você tenha delegado explicitamente essa escrita. Revise a responsabilidade sempre que as funções mudarem de mãos.
Seu próximo passo
Descubra primeiro onde um agente de IA cabe na sua empresa.
Faça o diagnóstico gratuito de IA da Be Human. Algumas perguntas sobre o seu trabalho mostram qual tarefa entregar primeiro a um agente, o que ele precisa saber e onde uma pessoa aprova.
Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.


