Por que este tema importa

A engenharia de contexto continua relevante conforme os agentes passam a trabalhar por mais tempo. Em 29 de setembro de 2025, a Anthropic descreveu estratégias de seleção, consulta sob demanda e compactação de informações. Em 8 de abril de 2026, publicou uma arquitetura que separa o registro durável de uma sessão do conteúdo enviado ao modelo. São referências técnicas anteriores, revisitadas em 15 de outubro de 2026, e não anúncios de hoje.

A primeira referência trata o contexto como um recurso limitado: incluir mais material não garante que o agente encontre o que importa. A segunda distingue o histórico recuperável da seleção temporária usada durante a execução. Essa separação permite consultar eventos antigos sem manter tudo na janela do modelo. [Fontes 1 e 2]

Três camadas para pensar a próxima resposta

Como proposta de implementação, organize as informações em três camadas:

  1. Regras estáveis: objetivo do assistente, limites de atuação e formato esperado.

  2. Estado da tarefa: pedido atual, decisões já confirmadas, pendências e referências das evidências.

  3. Dados consultáveis: informações que devem ser buscadas quando necessárias e cuja validade depende do tempo ou da operação.

Essa divisão não exige uma tecnologia específica. O ponto é tornar explícito o que é regra, o que é estado e o que precisa ser verificado. Uma observação antiga não deve ganhar o status de fato atual apenas porque aparece em um resumo recente.

Exemplo hipotético: uma resposta sobre disponibilidade

Imagine um assistente de uma loja fictícia. Na conversa anterior, um produto estava disponível. Hoje, alguém pergunta se pode comprá-lo.

O resumo pode preservar o produto de interesse e a variante escolhida. A disponibilidade, porém, deve vir de uma consulta atual ao sistema responsável. Se essa consulta falhar, a resposta precisa refletir a incerteza, em vez de transformar a lembrança de ontem em uma confirmação.

O mesmo raciocínio ajuda a desenhar outros fluxos: o contexto informa qual pergunta fazer; a fonte operacional sustenta a resposta. Este é um exemplo didático, sem dados de clientes ou resultados de implantação.

Um contrato simples para cada informação

Para um piloto, considere registrar junto ao fato: origem, momento da consulta, escopo e condição de revalidação. Um campo pode ser revisto quando mudar a variante do produto, quando começar uma nova sessão ou antes de uma ação que dependa dele. O prazo adequado depende do domínio; não existe um intervalo universal seguro.

Também diferencie confirmação de hipótese. Um resumo deve conservar expressões como “a confirmar” e apontar para a evidência original. Se duas fontes discordarem, o sistema precisa de uma regra de precedência ou de encaminhamento humano, não de uma média entre as respostas.

Compactar sem perder o que decide o resultado

A Anthropic apresenta a compactação como uma maneira de resumir conversas extensas e alerta para o risco de remover detalhes importantes. [Fonte 1] Na prática proposta aqui, o resumo deve priorizar objetivo, restrições, decisões, pendências e referências. Dados volumosos podem continuar fora dele, desde que sejam recuperáveis e que o acesso seja autorizado.

Guardar o histórico e utilizá-lo na próxima resposta são decisões diferentes. A arquitetura descrita em abril de 2026 reforça essa distinção. [Fonte 2] Isso não significa guardar tudo para sempre: retenção, acesso e descarte precisam ser definidos para o produto.

Aplicação prática: um piloto pequeno

Escolha um único fluxo e monte casos sintéticos com mudanças relevantes: dado atualizado, fonte indisponível, fontes conflitantes e decisão antiga que foi substituída. Compare o envio indiscriminado do histórico com a seleção por camadas.

Observe se a resposta usa a fonte adequada, preserva pendências e reconhece informação vencida. Registre também o custo das consultas e o tempo total do fluxo. Antes do piloto, defina quais falhas impedem a adoção; por exemplo, confirmar disponibilidade sem verificação quando ela é obrigatória. Nenhum ganho é presumido: a decisão deve vir do teste no seu contexto.

Para começar

Antes de ampliar a memória do assistente, responda: qual informação ele realmente precisa agora, de onde ela vem e quando deixa de ser válida? Esse desenho torna a revisão do comportamento mais concreta e evita tratar memória como sinônimo de verdade atual.

Fontes

  1. Anthropic — Effective context engineering for AI agents. Publicado em 29/09/2025; consultado em 15/10/2026. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

  2. Anthropic — Scaling Managed Agents: Decoupling the brain from the hands. Publicado em 08/04/2026; consultado em 15/10/2026. https://www.anthropic.com/engineering/managed-agents

Conteúdo editorial original da 2bSolutions. As camadas, o contrato de informação e o piloto são propostas práticas de aplicação; não representam funcionalidade lançada, estudo de cliente ou resultado medido.