Faça da Floresta a Memória do Seu Agente

Agentes acordam vazios. O que o seu agente descobriu ontem sumiu da janela de contexto de hoje, e colar transcrições antigas de volta não escala além de uma semana. Este guia percorre a conexão de uma floresta MonkeyLLM a um agente via MCP, para que o agente ganhe uma memória que pode buscar, percorrer e cultivar.

Dez ferramentas tipadas via MCP

Uma floresta (um grafo interligado de pequenas notas curadas, cada uma carregando um passaporte com título, resumo e tags) é exposta aos agentes pelo Model Context Protocol como dez ferramentas tipadas. Tipadas é a palavra operativa: o agente não recebe uma caixa de consulta genérica, recebe verbos com schemas, e cada salto que dá tem orçamento de tokens.

As dez ferramentas se agrupam em três movimentos:

• Navegar: entrar pela busca, ler um rótulo, seguir um link, abrir só o necessário. Em bom português, percorrer as estantes você mesmo em vez de aceitar o que o bibliotecário chutou.
• Plantar: registrar conhecimento novo como novos nós. Este é o movimento que forma memória, o agente anotando o que aprendeu para a próxima sessão começar na frente.
• Feromônio: caçadas bem-sucedidas depositam rastros e cunham links de atalho, para que caminhos que seguem compensando fiquem mais curtos. Em termos simples: uma trilha marcada na grama.

A referência ferramenta a ferramenta está nos docs de MCP, e o modelo subjacente de nós e links está nos docs de primitivos.

O arquivo de skills ensina o terreno

Conectar dez ferramentas é metade do trabalho. A outra metade é o arquivo de skills, o arquivo de instruções que faz da floresta a memória de um agente: ele ensina o que esta floresta contém, como entrar pela busca, quando caminhar e quando plantar, e a citar os nós em que uma resposta se apoia. Coloque-o nas instruções do seu agente e a floresta deixa de ser dez ferramentas desconhecidas e vira um lugar que o agente sabe habitar.

Uma chave com escopo por agente

Não entregue a chave de dono a todos os agentes. A tela People gerencia o acesso como uma linha por pessoa ou agente, com chaves de escopo definido e tokens ativos: um agente de pesquisa pode ler e plantar, um agente de relatórios pode só ler, e qualquer um pode ser revogado sem tocar no outro. Sua floresta é um cofre (your forest is a vault): auto-hospedada, chaves sob seu controle, dados que nunca saem da sua infra.

O que a fiação compra, medido

No nosso benchmark estritamente multi-hop (11 perguntas, cada uma exigindo pelo menos 3 saltos encadeados), o mesmo modelo local de 12B marca 0/11 como leitor de RAG top-k clássico e 11/11 como navegador de floresta, gastando 0.58x tokens por resposta correta contra um baseline de RAG iterativo, a 8.4 s p95 contra 17.5 s do baseline. A comparação completa está em RAG agêntico vs navegação orçada.

O mesmo relatório também mantém sua falha: o critério de convergência do aprendizado de trilhas não foi atingido (os saltos caíram cerca de metade do limiar), e está escrito, não descartado. Se um sistema vai guardar a memória do seu agente, prefira o que publica o que não convergiu; eis por que mantemos essa seção.

Dê uma memória a um agente

Suba em quatro comandos, gere uma chave com escopo, entregue ao seu agente o arquivo de skills e veja-o plantar seu primeiro nó. Comece pelos docs de MCP, leia o preprint linkado em monkeyllm.com e dê uma estrela em github.com/JimmyWesley/MonkeyLLM se o design merecer.