Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarLanceDB Blog→ original

Cognee guarda a memória de agentes no LanceDB: cada teste ganha sua própria pasta, sem servidor

Um agente com memória costuma precisar de um grafo de relações, de um banco vetorial para busca por significado e de código próprio para que tudo isso não saia de sincronia. A Cognee juntou essas peças em um único pipeline e guarda os vetores no LanceDB, um banco cujos dados ficam em arquivos comuns. Por isso, cada teste, usuário e workspace recebe sua própria pasta em disco, e não um servidor separado. Testes paralelos não interferem entre si, e o projeto vai do notebook para a nuvem sem reescrita.

Processado por IA de LanceDB Blog; editado por Hamidun News
Cognee guarda a memória de agentes no LanceDB: cada teste ganha sua própria pasta, sem servidor
Fonte: LanceDB Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalLanceDB Blog ↗
Editor-chefe
Pipeline ECLextrair os dados, montar o grafo e os embeddings, carregar
Dado-chave #2O Memify limpa nós obsoletos e recalcula o peso dos fatos sem reconstruir a memória
Dado-chave #3Dados e embeddings ficam juntos, sem necessidade de código de sincronização

Para lembrar o que aconteceu antes, um agente precisa de memória. Em geral, ela é montada a partir de várias peças: um banco vetorial busca trechos de texto por significado, um banco de grafos guarda as relações entre pessoas, tarefas e documentos, há um armazenamento para os arquivos em si e, entre tudo isso, existe um código de cola que evita que o conjunto saia de sincronia. A startup Cognee desenvolve um motor de memória que reúne essas peças em um único pipeline.

Ele guarda os vetores no LanceDB, um banco de dados em que tudo fica em arquivos comuns e não é preciso subir um servidor. Por isso, cada teste, usuário e workspace tem sua própria pasta, e não uma instância de banco só para si. A informação vem do blog do LanceDB.

Uma ressalva importante: este é um caso publicado por fornecedor e não traz medições concretas. O ganho de precisão em perguntas que exigem vários passos de raciocínio é descrito apenas de forma qualitativa, sem números. O valor do material está nas decisões de arquitetura, não em benchmarks.

Como a memória funciona: três etapas e um grafo

A Cognee recebe arquivos, APIs e bancos de dados e os passa por um pipeline Extract–Cognify–Load (ECL), ou seja, "extrair, processar, carregar". Na primeira etapa, os dados são coletados das fontes. Na segunda, o conteúdo é dividido em trechos, dele são extraídas entidades e relações, e um contexto temporal é adicionado. Na terceira, o resultado é gravado em dois lugares: a estrutura do grafo vai para o armazenamento de grafos, e os embeddings, para o vetorial.

Com isso, o agente consegue responder a perguntas que exigem seguir vários elos. Por exemplo: "Quem deve revisar o release e quando ele não pode ser publicado?" A busca vetorial encontra trechos semelhantes, e o grafo indica como os fatos se relacionam. Os autores afirmam que as respostas ganham uma origem mais clara: dá para ver de qual fonte e por qual cadeia de relações o modelo obteve cada fato.

Uma parte à parte é o pipeline Memify. Depois de entrar em produção, ele limpa nós obsoletos do grafo, reforça relações e recalcula o peso de fatos importantes. A promessa é simples: a qualidade da busca melhora sem reconstruir a memória por completo. No exemplo do artigo, dois chats curtos ("seguimos a PEP8, adicionamos type hints" e "releases não às sextas, Susan revisa os PRs") geram um grafo, e então um tipo específico de busca extrai dele as regras de código.

Por que LanceDB: pasta em vez de servidor

O principal argumento de engenharia é o modelo de isolamento. A Cognee quer que cada desenvolvedor, usuário e execução de teste tenha um espaço totalmente independente. Um banco vetorial clássico exige, para isso, servidores, portas e orquestração. O LanceDB guarda os dados em arquivos, então o workspace é simplesmente um diretório em disco. Criar um armazenamento limpo para um teste e apagá-lo depois da execução custa quase nada.

Vantagens práticas apontadas pelos autores:

  • testes paralelos no CI não compartilham estado, o que reduz bugs intermitentes;
  • demos e sandboxes são criados e descartados sem subir serviços;
  • um novo desenvolvedor começa localmente, sem infraestrutura separada;
  • os dados de origem e os embeddings ficam juntos, e não é preciso código para sincronizá-los.

Para o desenvolvimento multiusuário, a economia é considerável. Cada instância separada de banco vetorial custa dinheiro e atenção, enquanto um diretório em disco não custa nada. Além disso, o LanceDB oferece índices em que é possível ajustar recall, latência e espaço ocupado. O conselho do material é sensato: começar com as configurações padrão, verificar o comportamento e só então ajustar o índice e a quantização para o custo e a latência desejados.

Do notebook à produção

Localmente, a equipe trabalha pela interface da Cognee: conecta dados, constrói a memória, confere as respostas e o grafo de raciocínio. Quando são necessários escala e controle, o mesmo projeto é migrado para o serviço em nuvem da Cognee (cogwit), que acrescenta autoescalonamento e gerenciamento de acesso. Segundo o material, as estruturas de dados e a API são as mesmas, então não é preciso reescrever o sistema.

O que isso significa na prática

A ideia é útil independentemente de você adotar a Cognee ou não. Se o seu agente perde contexto entre sessões e os testes de memória falham por causa de estado compartilhado, vale migrar para isolamento por pastas e guardar os dados ao lado de seus vetores. Se você precisa de respostas baseadas em uma cadeia de fatos, um grafo sobre a busca vetorial parece uma complexidade justificada.

As limitações também são claras. As afirmações sobre ganho de precisão e economia de tempo não são sustentadas por números no texto, e o isolamento por arquivos é conveniente para desenvolvimento e testes, mas, sob alta carga em produção, o trabalho com o armazenamento terá de ser perfilado separadamente. Antes de adotar, vale rodar um pequeno experimento com seus próprios dados e comparar as respostas com e sem o grafo.

História

Perguntas frequentes sobre a notícia

Como a memória funciona: três etapas e um grafo?

A Cognee recebe arquivos, APIs e bancos de dados e os passa por um pipeline Extract–Cognify–Load (ECL), ou seja, "extrair, processar, carregar". Na primeira etapa, os dados são coletados das fontes. Na segunda, o conteúdo é dividido em trechos, dele são extraídas entidades e relações, e um contexto temporal é adicionado. Na terceira, o resultado é gravado em dois lugares: a estrutura do grafo vai para o armazenamento de grafos, e os embeddings, para o vetorial.

Por que LanceDB: pasta em vez de servidor?

O principal argumento de engenharia é o modelo de isolamento. A Cognee quer que cada desenvolvedor, usuário e execução de teste tenha um espaço totalmente independente. Um banco vetorial clássico exige, para isso, servidores, portas e orquestração. O LanceDB guarda os dados em arquivos, então o workspace é simplesmente um diretório em disco. Criar um armazenamento limpo para um teste e apagá-lo depois da execução custa quase nada.

O que se sabe sobre Do notebook à produção?

Localmente, a equipe trabalha pela interface da Cognee: conecta dados, constrói a memória, confere as respostas e o grafo de raciocínio. Quando são necessários escala e controle, o mesmo projeto é migrado para o serviço em nuvem da Cognee (cogwit), que acrescenta autoescalonamento e gerenciamento de acesso. Segundo o material, as estruturas de dados e a API são as mesmas, então não é preciso reescrever o sistema.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…