Manter um agente de horas no rumo sem estourar a janela

Agente que roda por horas precisa de um plano para a própria memória: compactar o histórico no servidor, limpar resultados velhos de ferramentas e manter um arquivo de notas de progresso fora da janela. Serve a quem opera agentes de código, pesquisa ou atendimento. Hoje, ligue a limpeza de contexto e escreva o arquivo de notas.

Janela grande não resolve o problema. Depois de algumas centenas de chamadas de ferramenta, o agente relê saídas de busca que já usou, repete consultas e contradiz uma decisão tomada no início da sessão. A Anthropic chama o fenômeno de context rot, a perda de precisão quando a janela enche, como a mesa coberta de papéis em que nada se acha.

O relatório Context Rot, da Chroma, mediu o efeito em 18 modelos, como mostrou o capítulo sobre orçamento de atenção. Para quem paga a conta, o histórico inteiro custa mais e responde pior.

Como o agente longo guarda o que importa

No artigo de 29/09/2025 sobre engenharia de contexto (decidir o que entra na janela a cada chamada, como arrumar a mesa antes de cada reunião), a Anthropic lista três saídas para fluxos longos. A compactação (compaction) resume a conversa perto do limite e abre uma janela nova com o resumo. Notas estruturadas (structured note-taking) gravam o estado num arquivo fora da janela, que o agente relê quando precisa, como fez o Claude que jogava Pokémon. Subagentes recebem uma tarefa focada numa janela limpa e devolvem só um resumo condensado ao agente líder.

Em 2024 cada time escrevia o próprio resumidor. Em 2026 a plataforma da Anthropic faz isso no servidor, por três estratégias que vão no campo context_management, a lista de regras de limpeza enviada junto da requisição. clear_tool_uses_20250919 apaga resultados antigos de ferramentas ao passar de 100.000 tokens de entrada e mantém os três usos mais recentes; clear_thinking_20251015 apaga blocos de pensamento de turnos anteriores; compact_20260112 resume o histórico e, segundo a documentação, é a estratégia primária para conversas longas. A compactação feita no cliente pelo SDK (compaction_control) ficou obsoleta em TypeScript e Ruby e saiu do SDK Python v1.0.

A ferramenta de memória (memory tool, versão memory_20250818) é o arquivo de notas oficializado: o modelo guarda arquivos num diretório que fica na sua infraestrutura e sobrevive entre conversas. A documentação recomenda usar as duas juntas, porque a compactação mantém a janela pequena e a memória preserva o que precisa sobreviver ao resumo. No anúncio de 29/09/2025, a Anthropic mediu ganho de 39% sobre a linha de base com memória e edição de contexto combinadas, e de 29% com a edição sozinha, numa avaliação interna de busca agêntica.

Por que o histórico só cresce para a frente

Preserved thinking (o pensamento do modelo guardado e vinculado à conversa) mudou a forma de corrigir um agente no meio do caminho. Os blocos de pensamento ficam presos ao modelo e à sequência exata de turnos. Se o código edita um turno antigo, os blocos perdem a validade, e contas da Anthropic criadas a partir de 31/08/2026 recebem erro 400 quando reenviam um bloco invalidado sem optar por descartá-lo. Trate o histórico como append-only, isto é, um livro-caixa em que só se acrescenta linha.

Na prática, toda correção vira um turno novo. Para lembrete que vale só até a próxima mensagem do usuário, a Anthropic oferece mensagem de sistema no meio da conversa com clear_at: "next_user_message". Fora da Anthropic a lógica se repete: OpenAI, Gemini, Grok e os modelos abertos exigem que o raciocínio criptografado ou as assinaturas de pensamento voltem intactos a cada chamada.

Na OpenAI e no Grok, o encadeamento passa pelo previous_response_id, o número de protocolo da resposta anterior que o servidor usa para recuperar o histórico. No Gemini, a Interactions API faz o mesmo com previous_interaction_id, e o context caching guarda o prefixo comum por um prazo. Em todos eles o arquivo de notas continua útil, porque é texto seu, legível por gente e portável entre fornecedores.

Montar o agente com arquivo de notas

O caso de código vale para qualquer agente longo. O agente recebe instruções de sistema que dizem quando ler e quando gravar as notas, a requisição liga a limpeza no servidor e um teste de retomada a frio mostra se o arquivo basta para continuar o trabalho.

Faça hoje

Escolha o agente que mais roda no seu time, cole as instruções de sistema acima trocando o objetivo e o modelo do arquivo pelos seus, e ligue a limpeza de ferramentas na requisição. Em 30 minutos, interrompa uma sessão no meio e abra outra só com o arquivo de notas. Deu certo quando o agente lê o arquivo na primeira chamada e retoma do próximo passo registrado, sem refazer nenhum item já marcado como feito.