curiositech/windags-skills

/always-on-agent-applications — O que Persistência + Memória Realmente Desbloqueia

Você está ajudando alguém a descobrir o que construir com um agente de IA sempre ativo que tem memória episódica. Esta é a habilidade do "e daí?" — a arquitetura existe, as entradas estão fluindo, agora o que realmente faz que um chatbot sem estado não consegue?

Pontos de Decisão

1. Árvore de Decisão: Sempre Ativo vs. Baseado em Sessão

Avaliar requisitos da tarefa:
├─ A tarefa precisa de memória entre sessões?
│  └─ Não → Usar agente baseado em sessão (mais barato, mais simples)
│  └─ Sim ↓
├─ A tarefa se beneficia de comportamento proativo?
│  └─ Não → Usar agente agendado com memória
│  └─ Sim ↓
├─ [ROI de Persistência] > [Custo de Infraestrutura]?
│  └─ Não → Começar com sessão, atualizar depois
│  └─ Sim ↓
├─ Domínio é restrito o suficiente para memória de qualidade?
│  └─ Não → Restringir escopo (apenas reuniões, apenas código)
│  └─ Sim → Construir agente sempre ativo

Cálculo de ROI:

• ROI de Persistência = (Frequência da tarefa × Tempo economizado por tarefa × Valor do usuário por hora)
• Custo de Infraestrutura = (Custo do servidor + Armazenamento de memória + Tempo de desenvolvimento)

Se ROI > 3x custo: Construir sempre ativo Se ROI 1-3x custo: Começar baseado em sessão, provar valor primeiro Se ROI < 1x custo: Usar ferramentas existentes

2. Seleção de Categoria de Aplicação

Usuário pergunta "O que devo construir?":
├─ O fluxo de trabalho principal é codificação?
│  └─ Sim → Padrão de Assistente de Desenvolvedor
│  └─ Não ↓
├─ A necessidade principal é reunião/sobrecarga de comunicação?
│  └─ Sim → Padrão de Chefe de Gabinete Pessoal
│  └─ Não ↓
├─ O objetivo principal é aprendizado/trabalho de conhecimento?
│  └─ Sim → Padrão de Diário de Aprendizado
│  └─ Não ↓
├─ O foco é saúde/rastreamento de hábitos?
│  └─ Sim → Padrão de Observador de Saúde (alta sensibilidade a segurança)
│  └─ Não → Orquestrador de Projetos ou Inteligência Ambiente

3. Limites de Escopo - Decisão

Usuário propõe agente multi-domínio:
├─ Este é o primeiro agente persistente deles?
│  └─ Sim → Forçar um único vertical (escolher o maior ROI)
│  └─ Não ↓
├─ Eles têm >6 meses de tempo de desenvolvimento?
│  └─ Não → Apenas um vertical
│  └─ Sim ↓
├─ Eles podem definir métricas de sucesso para cada domínio?
│  └─ Não → Reduzir escopo até que possam
│  └─ Sim → Permitir multi-domínio com implantação em fases

4. Calibração de Comportamento Proativo

Configurar frequência de interrupção do agente:
├─ O estilo de trabalho do usuário é foco profundo em blocos?
│  └─ Sim → Agrupar notificações, respeitar sinais de foco
│  └─ Não ↓
├─ O usuário solicita explicitamente assistência de alto contato?
│  └─ Sim → Permitir interrupções em tempo real com limite de relevância
│  └─ Não ↓
├─ Padrão: 80% reativo, 15% proativo passivo, 5% proativo ativo

Modos de Falha

1. Síndrome da Memória Alucinada

Sintomas: O agente referencia com confiança conversas ou eventos que nunca aconteceram Regra de Detecção: Se o agente afirma citações/datas/fatos específicos, mas não pode fornecer o timestamp exato da fonte Causa Raiz: Limites de memória ruins entre o contexto recuperado e as respostas geradas Correção: Implementar requisitos estritos de citação de memória — o agente deve vincular cada afirmação a uma entrada de memória específica com timestamp

2. Cascata de Poluição de Memória

Sintomas: O desempenho do agente se degrada ao longo do tempo, informações contraditórias nas respostas Regra de Detecção: Se o agente dá conselhos conflitantes sobre o mesmo tópico dentro de 7 dias sem reconhecer a mudança Causa Raiz: Observações de baixa qualidade se acumulam mais rápido do que o sinal valioso Correção: Implementar higiene de memória: pontuação de relevância, compactação automatizada, limpeza de memória acionada pelo usuário

3. Explosão de Aumento de Custo

Sintomas: Contas mensais aumentando 30%+ sem aumento proporcional de valor Regra de Detecção: Se o custo por interação útil ultrapassar a linha de base em 50%+ em 30 dias Causa Raiz: Agente processando demais entradas de baixo valor (notificações, spam, e-mails automatizados) Correção: Pipeline de filtragem de entrada, orçamentos de acesso à memória, monitoramento proativo de custos com autolimitação

4. Paralisia por Expansão de Escopo

Sintomas: O agente tenta lidar com tudo, não se destaca em nada, usuário abandona após 2 semanas Regra de Detecção: Se o agente tem >5 verticais de aplicação distintas sem métricas de sucesso claras para cada uma Causa Raiz: Construir "assistente geral" em vez de ferramenta focada Correção: Forçar início em único vertical, exigir critérios de graduação antes da expansão

5. Desvio de Violação de Privacidade

Sintomas: O agente compartilha acidentalmente informações sensíveis entre contextos Regra de Detecção: Se o agente menciona detalhes pessoais/profissionais no contexto errado (informações de trabalho em chat pessoal) Causa Raiz: Limites de memória não alinhados com as expectativas de privacidade do usuário Correção: Isolamento de contexto, compartimentalização explícita de memória, auditorias regulares de privacidade

Exemplos Práticos

Exemplo: Construindo um Agente Assistente de Desenvolvedor

Cenário: Engenheiro de software quer que o agente o ajude com revisões de código e descrições de PRs

Passo 1 - Definição de Escopo

• Usuário: "Quero uma IA que me ajude a codificar melhor"
• Aplicar Árvore de Decisão: Fluxo de codificação = Padrão de Assistente de Desenvolvedor
• Restringir escopo: "Apenas geração de descrição de PR" (não assistente de codificação completo)

Passo 2 - Cálculo de ROI

• Frequência da tarefa: 3 PRs/dia × 5 dias = 15 PRs/semana
• Tempo economizado: 5 min por descrição de PR = 75 min/semana = 65 horas/ano
• Valor do usuário: $150/hora × 65 horas = $9.750/ano
• Custo de infraestrutura: ~$50/mês = $600/ano
• ROI = 16x → Construir agente sempre ativo

Passo 3 - Estratégia de Memória

• Memória principal: Branch de recurso atual, últimos 5 commits, conversas recentes sobre mudanças de código
• Memória de recall: Modelos de PR que o usuário prefere, padrões de feedback de revisores, padrões de codificação do projeto
• Arquivamento: PRs históricos, estilo de comunicação da equipe, decisões e justificativas do projeto

Passo 4 - Design de Gatilhos

triggers:
  - git_push_to_feature_branch: Rascunhar descrição de PR
  - pr_opened: Melhorar descrição com contexto
  - code_review_received: Registrar padrões de feedback para o futuro

Passo 5 - Gates de Qualidade

• Descrições de PR incluem justificativa real (não resumos genéricos)
• Agente referencia commits/arquivos específicos mencionados
• 80% das descrições geradas exigem <2 minutos de edição
• Agente identifica corretamente quando um PR abrange múltiplas preocupações

O que um novato perderia: Começar com "assistente de codificação IA para tudo" O que um especialista capta: Focar em um único fluxo de trabalho de alto valor (descrições de PR) onde a persistência cria vantagem clara sobre soluções sem estado

Gates de Qualidade

O design da aplicação está completo quando todas as condições são atendidas:

• Cálculo de ROI claro mostrando benefício >3x custo
• Escopo de único vertical com limites definidos
• Crescimento de memória limitado com estratégia de compactação
• Frequência de comportamento proativo configurada (<20% do total de interações)
• Métricas de sucesso definidas e mensuráveis
• Limites de privacidade do usuário explicitamente mapeados
• Experiência de inicialização a frio funciona sem memória acumulada
• Interruptor de desligamento implementado para controle de memória do usuário
• Monitoramento de custos com limites de autolimitação definidos
• Critérios de graduação definidos para expansão de escopo

Limites de NÃO USO

NÃO use esta habilidade para:

• Construir a arquitetura de memória → Use always-on-agent-architecture
• Projetar feeds e gatilhos de entrada → Use always-on-agent-inputs
• Preocupações com segurança, privacidade e custo → Use always-on-agent-safety
• Padrões e loops gerais de agentes → Use agentic-patterns
• Avaliar riscos de segurança de IA → Use ai-safety-engineer
• Decisões técnicas de infraestrutura → Use systems-architecture

Delegar para outras habilidades quando o usuário perguntar:

• "Como armazenar memória episódica?" → always-on-agent-architecture
• "Quais dados meu agente deve observar?" → always-on-agent-inputs
• "Isso é seguro/privado?" → always-on-agent-safety
• "Como construir loops de agente?" → agentic-patterns