Cada sessão com um modelo de linguagem começa do zero. Ele não sabe quem você é, o que você decidiu ontem, nem quais são as suas regras. Você paga esse custo repetindo tudo, toda vez, e depois de algumas semanas isso cansa. [PREENCHER: exemplo do dia a dia]

O que me ajudou foi separar três coisas que eu misturava no mesmo lugar. Regras de comportamento, que valem sempre. Fatos que mudam, como status de projeto e decisões em vigor. E histórico, o que já passou. Cada tipo tem um lugar e um prazo de validade diferentes. Quando eu colocava tudo junto num arquivo só, o modelo passava a ignorar as regras e a lembrar de coisas mortas. Não é culpa do modelo; ele só vê uma pilha de texto sem hierarquia.

[PREENCHER]

Depender da memória embutida de um produto tem um problema que demorei a perceber. Você não sabe o que ele guardou, não consegue corrigir, e se trocar de ferramenta perde tudo. [PREENCHER]

Prefiro que a memória fique em arquivos meus. Texto simples, que eu consigo ler e versionar. A IA consulta esses arquivos por significado antes de responder, e grava seguindo uma regra clara de onde cada tipo de informação mora. Parece trabalho manual, e é um pouco. Mas é a diferença entre uma memória que me pertence e uma caixa preta.

[PREENCHER: como você organiza hoje, em termos gerais]

Um erro que cometi no começo foi indexar tudo. Memória boa é curada. Menos conteúdo e sempre com data. Um índice gordo devolve resultados irrelevantes e você para de confiar nele.

Memória que só cresce vira ruído. Isso eu já sabia de sistemas de arquivo, e a IA não é diferente. [PREENCHER]

A rotina que adotei é curta. Cada arquivo tem um limite de tamanho. Quando estoura, o que é mais antigo vai para um arquivo morto que não é carregado por padrão. Fato vencido não se apaga; se arquiva com data, porque um dia alguém vai perguntar por que aquilo foi decidido.

[PREENCHER]

O modelo não vai saber sozinho o que é relevante. A curadoria é sua, e quando eu deixei de fazer, a memória passou a atrapalhar em vez de ajudar.