Anthropic divide agente always-on em 5 blocos: fila, temporizadores e memória
Um agente always-on não trabalha 24 horas por dia: ele passa quase todo o tempo dormindo e acorda por um evento, como um webhook, um temporizador ou a resposta de um cliente. A Anthropic dividiu esse tipo de agente em cinco blocos: fila de eventos, temporizadores, memória, permissões de acesso e fila de saída. Por exemplo, o agente escreveu ao cliente, programou um lembrete para o dia seguinte e, ao acordar, consultou a memória para entender o que já tinha sido feito. A confiabilidade, aqui, se apoia em um banco de dados comum e em serviços em segundo plano.
Processado por IA de Habr AI; editado por Hamidun News
Um agente always-on (em português, algo como «sempre ativo») é um assistente de IA que decide por conta própria quando agir, em vez de esperar uma mensagem do usuário. Imagine um agente que enviou um e-mail a um cliente, programou um lembrete para verificar a resposta em 24 horas e, no dia seguinte, acordou, consultou suas anotações, entendeu o que já estava feito e escreveu de novo. A Anthropic publicou um guia que decompõe esse tipo de agente em cinco blocos: fila de eventos de entrada, temporizadores, memória, permissões de acesso e fila de saída. Para quem quer tornar o próprio produto proativo, é um esquema pronto para começar.
Um agente que passa quase todo o tempo dormindo
A ideia central do guia é que um agente always-on, na prática, não trabalha o tempo todo. Isso descreve apenas a experiência do usuário. Na maior parte do tempo, o agente dorme, acorda de vez em quando, recebe um evento, executa a tarefa e registra o que aconteceu. Cada um desses períodos é chamado de execução. A execução acontece dentro de uma sessão, que é o histórico de mensagens e chamadas de ferramentas. Depois dela, o agente volta a dormir, e o ciclo se repete indefinidamente.
O loop principal desse agente é o mesmo dos agentes comuns. O que muda é a arquitetura ao redor dele, que controla quando o agente acorda, o que é preservado entre as execuções e como o resultado chega ao usuário.
Os autores apontam dois motivos para o ressurgimento desses agentes. Primeiro, os modelos mais recentes entendem melhor as intenções do usuário e identificam com mais confiabilidade quando vale a pena entrar em contato. Segundo, a capacidade de raciocínio está ficando mais barata, e as tarefas de longo horizonte são as que mais se beneficiam. Em um benchmark de programação de longo horizonte, resolver uma tarefa com o Opus 5.5 saiu 78% mais barato do que com o Opus 5, e, em cargas de trabalho típicas, a redução foi de 40%.
Fila, temporizadores e memória
O primeiro bloco é a fila de eventos de entrada. É tentador chamar o agente diretamente a partir de cada fonte, mas, nesse caso, dois eventos simultâneos iniciariam processos concorrentes, e uma falha poderia fazer um evento se perder. Por isso, as fontes gravam os eventos na fila, e um worker (processo de trabalho) os retira de lá.
A versão mais simples tem três partes: uma lista persistente de eventos (em geral, uma tabela no banco de dados), um handler (endpoint HTTP) que grava os eventos e um worker (serviço em segundo plano) que os lê. A fila acompanha o status de cada evento e elimina duplicatas com base nos identificadores únicos da fonte. A recomendação é começar com uma fila por usuário.
Algumas regras práticas do guia:
- O handler confirma o recebimento do evento rapidamente: os provedores de webhook tratam respostas lentas como erro. Verificações leves podem ser feitas na hora, mas as mais profundas, como a de prompt injection, devem ser executadas durante a execução do agente.
- A fila é a fonte da verdade. Se o worker cair, um novo worker pega o mesmo evento e tenta de novo.
- Cada fila tem um único worker ativo por vez, para que duas execuções não dupliquem o trabalho nem sobrescrevam dados. Se um evento chega durante uma execução, ele é adiado para a próxima, combinado com a atual, ou a execução em andamento é interrompida e reiniciada.
- Os eventos pendentes são agrupados em lotes: se o usuário mandar várias mensagens seguidas, o agente responde uma única vez.
O segundo bloco são os temporizadores. Eles são de dois tipos: lembretes que o próprio agente programa (por exemplo, verificar se a resposta chegou) e agendamentos, que são tarefas recorrentes, como um envio diário de notícias. Os temporizadores ficam em uma tabela separada, e não na fila: a fila deve conter apenas eventos prontos para processamento. O temporizador em si não dispara nada. Quem faz isso é o agendador, normalmente um serviço em segundo plano, que verifica em intervalos fixos quais prazos venceram, marca o lembrete como concluído ou move o agendamento para o próximo prazo, adiciona um evento à fila e acorda o worker. O agendador pode ser desenvolvido internamente ou substituído por um mecanismo de execução confiável.
O terceiro bloco é a memória. O agente opera em execuções isoladas, e a memória dá continuidade a elas. Ela precisa ficar em um armazenamento persistente, como um banco de dados ou um object storage, para sobreviver ao worker.
O recomendado é guardar apenas o que não pode ser obtido de novo: se os dados já estão no gerenciador de tarefas, basta salvar um link. A memória guarda quatro tipos de informação: instruções do usuário (carregadas no início de cada execução), anotações sobre o usuário (cargo, preferências, correções), mensagens anteriores do agente, para que nada seja repetido, e um arquivo de progresso de cada tarefa, com o que foi feito e o que falta. Quando as anotações se multiplicam, elas são divididas em arquivos pequenos, e só o índice é carregado na inicialização.
Também é possível adicionar «sonhos»: uma revisão das sessões passadas que substitui registros desatualizados e encontra padrões que só aparecem ao longo de muitas execuções.
Contexto e permissões de acesso
Antes de trabalhar, o agente carrega o prompt de sistema, as definições das ferramentas e os arquivos de memória. Esse custo inicial de contexto é pago a cada execução, por isso convém mantê-lo mínimo e usar cache de prompts. Uma nova sessão começa apenas com esses itens e o evento que a disparou, enquanto uma sessão existente restaura as mensagens e as chamadas de ferramentas das execuções anteriores. Se a sessão ficar longa demais, as mensagens antigas são comprimidas ou uma nova sessão é iniciada. Nos dois casos, detalhes se perdem, e por isso tudo o que for importante deve ser gravado na memória ao longo do trabalho.
Nas permissões de acesso, os componentes são os mesmos dos outros agentes. Para senhas e tokens, a recomendação é um servidor proxy fora do ambiente do agente: o agente envia as requisições sem credenciais, e o proxy insere as verdadeiras antes de encaminhá-las. Para que o agente possa trabalhar sem a participação constante do usuário, a Anthropic cita o modo automático do Claude Code: classificadores avaliam as ações arriscadas e bloqueiam as perigosas, e o modelo procura um caminho mais seguro.
A conclusão prática é que a maior parte desse sistema são filas, agendadores e armazenamentos comuns de um backend tradicional. A dificuldade não está no modelo em si, mas em garantir que os eventos não se percam, que as execuções não se sobreponham e que a memória não infle o contexto. Vale lembrar que o guia vem de uma fabricante de modelos e que os números de economia são de um único benchmark.
- 20 de nov. de 2026Model ML levanta US$250 milhões para agentes de IA voltados a banqueiros, com avaliação de US$1,5 bilhão
- 20 de nov. de 2026Yandex 360 abre 7 serviços de escritório a agentes de IA por meio de servidor MCP
- 20 de nov. de 2026EUA discutem obrigar empresas a revelar uso de IA chinesa: modelos da China ocupam o top 3 do OpenRouter
- 20 de nov. de 2026Criadora do Claude, a Anthropic levanta US$ 81,3 bilhões em IPO com avaliação de US$ 1,5 trilhão
Perguntas frequentes sobre a notícia
O que se sabe sobre Um agente que passa quase todo o tempo dormindo?
A ideia central do guia é que um agente always-on, na prática, não trabalha o tempo todo. Isso descreve apenas a experiência do usuário. Na maior parte do tempo, o agente dorme, acorda de vez em quando, recebe um evento, executa a tarefa e registra o que aconteceu. Cada um desses períodos é chamado de execução. A execução acontece dentro de uma sessão, que é o histórico de mensagens e chamadas de ferramentas. Depois dela, o agente volta a dormir, e o ciclo se repete indefinidamente.
O que se sabe sobre Fila, temporizadores e memória?
O primeiro bloco é a fila de eventos de entrada. É tentador chamar o agente diretamente a partir de cada fonte, mas, nesse caso, dois eventos simultâneos iniciariam processos concorrentes, e uma falha poderia fazer um evento se perder. Por isso, as fontes gravam os eventos na fila, e um worker (processo de trabalho) os retira de lá.
O que se sabe sobre Contexto e permissões de acesso?
Antes de trabalhar, o agente carrega o prompt de sistema, as definições das ferramentas e os arquivos de memória. Esse custo inicial de contexto é pago a cada execução, por isso convém mantê-lo mínimo e usar cache de prompts. Uma nova sessão começa apenas com esses itens e o evento que a disparou, enquanto uma sessão existente restaura as mensagens e as chamadas de ferramentas das execuções anteriores. Se a sessão ficar longa demais, as mensagens antigas são comprimidas ou uma nova sessão é iniciada.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.