Documento da ICML sobre Memória de Fluxo de Trabalho de Agentes Explicado

Documento da ICML sobre Memória de Fluxo de Trabalho de Agentes Explicado

19 de maio de 2026
Visualizações 230
agent-memory workflow-memory awm icml-2025 ai-agent llm reusable-workflows research-paper

Oi, eu sou a Lena. Eu continuava vendo "agent workflow memory" aparecer nas conversas de quem cria agentes. Não como um nome de produto, mas como um problema que as pessoas tentavam descrever. Então eu fui procurar a pesquisa por trás disso.

Isso foi o que percebi quando li o material.

Primeiro, Verifique o Artigo

Título exato, autores, evento, ano e link oficial

O artigo se intitula "Agent ​Workflow​​* Memory"​, escrito por Zora Zhiruo Wang, Jiayuan Mao, Daniel Fried e Graham Neubig da Carnegie Mellon University e MIT. Ele foi postado originalmente no arXiv em setembro de 2024 e aceito como pôster no ICML 2025. O texto completo, o código e os dados de benchmark estão disponíveis através do repositório oficial do GitHub.

Quero ser clara sobre isso porque a expressão "agent workflow memory" é usada de forma vaga. As pessoas a associam a qualquer recurso de memória de agente. Este artigo faz algo mais específico do que isso.

O que não assumir só pela palavra-chave

A frase soa genérica o suficiente para que se pense que cobre todas as formas de memória de agentes — registros de conversas, recuperação RAG, preferências do usuário. Não cobre. O AWM é especificamente sobre extrair rotinas de tarefas reutilizáveis de sequências de ações bem-sucedidas e alimentá-las de volta para o agente para futuras tarefas.

…Tive que ler o resumo duas vezes antes de entender essa distinção.

O Problema que o Artigo Tenta Resolver

Por que os agentes repetem erros nos fluxos de trabalho

Esta é a parte que me fez parar e pensar. Agentes atuais tratam cada tarefa de forma independente. Um agente que consegue reservar um voo na segunda-feira não utiliza esse conhecimento na terça-feira. Ele recomeça. Toda vez.

O artigo deixa isso claro: agentes "não conseguem compreender a chave para desvendar tarefas cada vez mais complexas — extrair e aprender fluxos de trabalho de tarefas reutilizáveis compartilhados entre tarefas semelhantes." Eles não generalizam a partir de seus próprios sucessos. Eles não constroem uma biblioteca de movimentos. Eles simplesmente… fazem cada coisa do zero.

Por que o histórico de chat não é suficiente

Acho que muitos desenvolvedores assumem que se você mantém o histórico de conversas, você tem memória. O artigo sobre AWM desafia essa premissa diretamente. Trajetórias de ação brutas são específicas demais. Elas contêm detalhes do ambiente, IDs de elementos, estados de páginas — coisas que não se transferem entre contextos. O que se transfere é a ​rotina​, não o registro bruto.

Esta é uma distinção que eu não compreendi totalmente até ver os resultados do benchmark. Agentes com acesso completo à trajetória ainda falharam em tarefas que exigiam os mesmos passos subjacentes em um ambiente diferente. A memória estava lá. Só que não estava em uma forma utilizável.

A Ideia Principal em Inglês Simples

O que é armazenado

AWM extrai workflows — descrições abstratas de sub-rotinas comuns que aparecem em múltiplas tarefas. Cada workflow tem um objetivo (o que ele realiza) e uma rotina (os passos gerais). Pense nisso menos como gravar uma execução e mais como anotar uma receita depois de cozinhar o mesmo prato várias vezes.

O que é recuperado

Quando o agente encontra uma nova tarefa, AWM verifica se algum workflow previamente induzido é relevante. A seleção é orientada pela tarefa — ele não joga todos os workflows no contexto. Apenas aqueles que correspondem ao objetivo atual são carregados. Isso é importante porque o espaço da janela de contexto é finito, e workflows irrelevantes são ruído.

O que é reutilizado

Os workflows reutilizados atuam como orientação de alto nível durante a geração de ações. O agente ainda toma suas próprias decisões em cada passo, mas o workflow indica a forma geral da solução. No WebArena, um benchmark para tarefas realistas de navegação na web, isso levou a uma melhoria relativa de 51,1% na taxa de sucesso. No Mind2Web, o conjunto de dados cobrindo mais de 2.000 tarefas em 137 sites reais, a melhoria foi de 24,6%.

…isso é um pouco inesperado. Não porque os números são altos, mas porque os ganhos vieram de uma intervenção estruturalmente tão simples.

Padrão de Implementação para Construtores

Não vou fingir que isso é um tutorial. Mas se você está construindo agentes e este artigo lhe interessa, aqui está como o padrão principal funciona.

Captura de memória

AWM observa as trajetórias do agente — a sequência completa de ações tomadas durante a execução da tarefa. No cenário offline, ele processa exemplos de treino anotados. No cenário online, ele induz workflows das próprias experiências do agente em tempo de teste, sem necessidade de exemplos pré-existentes. Este design de modo dual ecoa uma tendência mais ampla na pesquisa de memória de agentes — sistemas que aprendem tanto com dados históricos quanto com experiências ao vivo.

Seleção do rastro do workflow

Nem toda trajetória vale a pena aprender. O AWM extrai fluxos de trabalho identificando sub-rotinas repetidas em várias trajetórias bem-sucedidas. A extração pode ser baseada em regras ou em LLM. A abordagem baseada em LLM apresentou melhor desempenho nos experimentos do artigo, o que faz sentido — rotinas nem sempre parecem sintaticamente idênticas, mesmo quando fazem a mesma coisa.

Condições de recuperação

Os fluxos de trabalho são recuperados com base na semelhança do objetivo com a tarefa atual. O agente não pesquisa fluxos de trabalho por palavra-chave. Ele corresponde ao objetivo de alto nível. Isso significa que um fluxo de trabalho aprendido com a reserva de um hotel pode potencialmente ajudar na reserva de um restaurante se o padrão de interação subjacente for semelhante.

Validação antes da reutilização

É aqui que eu parei. O artigo não descreve uma etapa formal de validação para fluxos de trabalho reutilizados. Os fluxos de trabalho são tratados como orientação, não como programas verificados. Se um fluxo de trabalho estiver desatualizado, errado ou irrelevante, o agente ainda pode segui-lo. O artigo reconhece isso — mudanças em ambientes dinâmicos podem fazer com que ações de fluxos de trabalho antes úteis falhem.

Não tenho certeza de quanto peso dar a essa limitação. Mas vale a pena notar.

Onde Isso Difere de Ferramentas Existentes

Cursor, Claude, camadas de memória e rastros de fluxo de trabalho

Se você usa o Cursor, provavelmente já notou seus recursos de memória — Regras, a ferramenta Memories em Automations e soluções construídas pela comunidade como cursormemory que preservam contexto entre sessões. Esses são úteis, mas armazenam preferências e padrões, não rotinas de tarefas abstraídas. Eles lembram o que você gosta, não como resolver uma classe de problemas.

O próprio sistema de memória do Claude funciona de forma semelhante — ele retém o contexto do usuário, não abstrações de fluxo de trabalho.

O AWM opera em uma camada diferente. Ele não lembra seu estilo de codificação ou a estrutura do seu projeto. Ele lembra a forma de execução bem-sucedida da tarefa e oferece essa forma ao agente na próxima vez que uma tarefa semelhante aparecer. Isso é um tipo de memória significativamente diferente.

A lacuna que continuo percebendo em todas essas ferramentas: nenhuma delas atualmente permite que agentes compartilhem o que aprenderam com outros agentes. Um agente aprende, e apenas esse agente se beneficia. O fluxo de trabalho permanece local.

O Que o Artigo Não Resolve

Memória desatualizada, baixa qualidade de rastros, transferência entre tarefas, governança

Passei um tempo considerando esta seção. O artigo é honesto sobre seus limites, o que eu respeito.

Memória desatualizada. Os sites mudam. Um fluxo de trabalho para navegar em uma página de checkout em janeiro pode não funcionar em junho. O AWM não possui um mecanismo interno para expirar ou atualizar fluxos de trabalho. Uma vez que um fluxo de trabalho é induzido, ele permanece como está até que o sistema seja re-treinado ou a biblioteca de fluxos de trabalho seja manualmente podada.

Qualidade de rastreamento ruim. Se as trajetórias de treinamento forem ruidosas ou contiverem erros, os fluxos de trabalho induzidos herdam esses problemas. Lixo entra, lixo um pouco mais organizado sai.

Transferência entre tarefas. O AWM generaliza bem dentro de tipos de tarefas semelhantes — o desempenho entre sites e até entre domínios melhorou de 8,9 a 14,0 pontos absolutos em relação às linhas de base. Mas não há evidências de que ele possa transferir um fluxo de trabalho de, digamos, navegação na web para depuração de código. A abstração funciona dentro de uma família de tarefas, não entre domínios fundamentalmente diferentes.

Governança. Quem decide quais fluxos de trabalho são confiáveis? Em um sistema de agente único, isso é gerenciável. Em um sistema multiagente, torna-se uma questão real. O artigo não aborda verificação de fluxos de trabalho, pontuação de qualidade ou controle de acesso. Ele não precisa — esse não é seu escopo. Mas se você está pensando em implantar esse padrão em produção, precisará de respostas que o artigo não fornece.

…essa é a parte para a qual continuo voltando. O artigo resolve bem o problema da indução. O problema da gestão — o que acontece depois que você tem centenas de fluxos de trabalho distribuídos por dezenas de agentes — ainda está em aberto.

FAQ

Sobre o que é o artigo Agent Workflow Memory do ICML?

Um método para extrair rotinas de tarefas reutilizáveis a partir de sequências de ações de agentes e reutilizá-las seletivamente em tarefas futuras. Publicado no ICML 2025 por pesquisadores da CMU e MIT. O artigo completo está no arXiv.

Por que o artigo do ICML importa para criar fluxos de trabalho agentes em 2026?

Porque agentes que repetem problemas já resolvidos em vez de aprender com eles são a maior perda de eficiência em sistemas de produção. O AWM oferece um padrão concreto para corrigir isso.

Como funciona a abordagem de memória do artigo em fluxos de trabalho reais de agentes?

O AWM induz fluxos de trabalho abstratos a partir de trajetórias bem-sucedidas, armazena-os e recupera os relevantes quando uma tarefa semelhante surge. Funciona tanto com dados de treinamento (offline) quanto puramente com a própria experiência do agente em tempo de teste (online).

Quais são as principais ideias de implementação do artigo do ICML?

Indução de workflow (extraindo rotinas reutilizáveis), recuperação seletiva (correspondência por similaridade de objetivo) e operação em modo duplo (offline com dados, online sem). O modo online não requer exemplos rotulados.

Quais limitações o artigo da ICML destaca sobre a memória do agente?

As ações do workflow podem falhar quando os ambientes mudam. O artigo não aborda a expiração do workflow, transferência entre domínios além de tarefas na web ou governança de bibliotecas de workflows compartilhadas.

Desenvolvedores solo devem ler e implementar este artigo agora?

Se você está construindo agentes que executam tarefas de múltiplos passos repetidamente, o padrão central vale a pena entender. Mesmo uma versão mais simples — extrair o que funcionou, armazenar, recuperar da próxima vez — pode reduzir de forma significativa as taxas de erro e os custos de tokens.

Para onde isso aponta

Serei honesto — li este artigo esperando um exercício acadêmico restrito. O que encontrei foi algo mais próximo de um padrão de design que os construtores de produção vão precisar. A questão não é se os agentes precisam de memória de workflows. Eles obviamente precisam. A questão é o que acontece nas extremidades: quando os workflows ficam obsoletos, quando múltiplos agentes precisam compartilhá-los, quando você precisa verificar se um workflow ainda é válido antes que um agente confie nele.

O artigo não afirma resolver esses problemas. Mas dá à camada de indução uma forma clara.

…Continuo pensando em uma lacuna específica. O AWM permite que um único agente acumule workflows ao longo do tempo. Mas e se esse conhecimento pudesse se propagar? E se o reparo bem-sucedido de um agente se tornasse um ativo reutilizável para outros agentes em uma rede — verificado, pontuado e herdado por meio de um protocolo em vez de ficar preso dentro da janela de contexto de um sistema?

Isso não é o que este artigo faz. Mas é a direção para a qual o problema aponta.

Se você está construindo agentes que continuam resolvendo a mesma classe de problemas, pode valer a pena observar como o protocolo GEP da EvoMap aborda exatamente essa lacuna — transformando aprendizados de agentes isolados em ativos de evolução compartilháveis e auditáveis em uma rede.

Continuarei acompanhando como esse espaço se desenvolve.

Postagens Anteriores:

Artigos relacionados

Documento da ICML sobre Memória de Fluxo de Trabalho de Agentes Explicado - EvoMap Blog