← Voltar
honchoaiagentsmemoriahermestécnico

Memórias Persistentes para AI Agents com Honcho

8 min 26/05/2026

O Problema: Agents que Esquecem

Você já conversou com um assistente AI que, no meio da interação, esquece completamente o que foi dito antes? Ou pior: no próximo dia, ele não lembra de nada que vocês construíram juntos?

Esse é um dos maiores gargalos na adoção real de AI agents: a falta de memória persistente. Sem ela, cada conversa começa do zero — o que é aceitável para perguntas simples, mas inviável para assistentes pessoais, ferramentas de produtividade ou agents que realizam tarefas ao longo do tempo.

A solução? Honcho, uma plataforma open-source que gerencia memória persistente para AI agents de forma elegante e escalável.

Neste artigo, vou te mostrar o que é Honcho, como ele estrutura a memória em diferentes tipos, e como integrá-lo com o Hermes Agent (da Nous Research).

O que é Honcho?

Honcho é uma plataforma open-source desenvolvida pela Plastic Labs para gerenciar memória persistente de AI agents. O repositório está no GitHub e pode ser auto-hospedado ou usado via API gerenciada.

A proposta é simples: em vez de cada agent reinventar a roda com bancos vetoriais, embeddings e consultas complexas, Honcho abstrai toda essa complexidade em uma API limpa e conceitos bem definidos.

Conceitos Fundamentais

  • Sessão — representa o contexto de uma conversa ou interação. Cada usuário ou agente tem uma ou mais sessões.
  • Metadados — tags, timestamps e outros dados estruturados que permitem filtrar e buscar memórias com precisão.

Mas o grande diferencial são os três tipos de memória que Honcho oferece.

Os Três Tipos de Memória

Assim como os humanos, Honcho separa a memória em três categorias:

1. Memória Episódica

O que aconteceu. Eventos específicos, interações passadas, mensagens trocadas.

Exemplo: “Ontem às 14h, o usuário pediu para criar uma planilha de orçamento.”

Útil para: manter contexto de conversas longas, retomar tarefas interrompidas, referenciar interações anteriores.

2. Memória Semântica

O que o agent sabe. Conhecimento factual extraído das interações — preferências do usuário, fatos aprendidos, informações consolidadas.

Exemplo: “O usuário prefere respostas em português e trabalha com desenvolvimento web.”

Útil para: personalização, recomendações, comportamento adaptativo ao longo do tempo.

3. Memória Procedural

Como fazer as coisas. Skills, sequências de ações, procedimentos que o agent aprendeu a executar.

Exemplo: “Para gerar um relatório, o agent deve: buscar dados na API, formatar em markdown, enviar para o canal do Slack.”

Útil para: agents que executam workflows, automatizações, ferramentas com passos específicos.

Essa separação é importante porque permite níveis diferentes de abstração:

  • Memória episódica é volátil e contextual (útil na conversa atual)
  • Memória semântica é duradoura e generalizável (útil entre sessões)
  • Memória procedural é operacional (útil para skills)

Código Prático: Integrando Honcho com Hermes Agent

1. Configurar Cliente Honcho

from honcho import Honcho

client = Honcho(
    app_name="meu-agent",
    api_key="sua-chave-aqui",
    base_url="http://localhost:8000"
)

2. Criar/Recuperar Sessão Persistente

session = client.create_session(user_id="usuario-123")
session = client.get_session(user_id="usuario-123", session_id="sessao-uuid")

3. Armazenar Memória Durante Conversa

mm = session.memory_manager

mm.create_episodic(
    content="Usuário perguntou sobre preços de hospedagem",
    metadata={"tipo": "consulta", "intencao": "orcamento"}
)

mm.create_semantic(
    content="Usuário prefere soluções open-source",
    metadata={"confianca": 0.9, "fonte": "inferencia"}
)

4. Buscar Memórias Relevantes

memorias_recentes = mm.get_episodic(
    filter_metadata={"tipo": "consulta"},
    time_range="30m"
)

conhecimentos = mm.search_semantic(query="preferências do usuário", top_k=5)

5. Integrar com Hermes Agent

from hermes_agent import HermesAgent

agent = HermesAgent(
    model="deepseek-chat",
    system_prompt="Você é um assistente pessoal que lembra de tudo.",
    session_id=session.id
)

def buscar_memoria(contexto: str) -> str:
    memorias = mm.search_semantic(query=contexto, top_k=3)
    return "\n".join([m.content for m in memorias])

agent.register_tool(buscar_memoria)
resposta = agent.run("O que você sabe sobre mim?")

Casos de Uso Reais

Assistente Pessoal

Um assistente que aprende suas preferências ao longo de semanas, lembra de compromissos passados e adapta o tom das respostas.

Suporte Técnico

Um agent que lembra de todos os tickets anteriores — problemas resolvidos, versão do software, workarounds tentados.

Agente de Desenvolvimento

Um agent que lembra decisões arquiteturais tomadas juntos, padrões de código preferidos, problemas recorrentes no projeto.

Educação Personalizada

Um tutor AI que sabe exatamente onde o aluno parou, quais conceitos domina e quais precisa praticar.

Conclusão

Honcho resolve um dos problemas mais fundamentais para AI agents realmente úteis: memória que persiste.

A separação em memória episódica, semântica e procedural não é apenas um detalhe técnico — é uma modelagem que reflete como organizamos conhecimento.

Se você está construindo agents que precisam de continuidade, personalização e aprendizado ao longo do tempo, Honcho + Hermes Agent é uma combinação poderosa e open-source.

Próximos Passos

Gostou? Compartilhe com quem está construindo AI agents.

← Voltar para o blog