Construí um sistema que descobre, verifica e aplica automaticamente requisitos relevantes de interações anteriores sem perguntar ao usuário de onde vieram.

A lição central: apenas trazer o histórico passado não é o mesmo que saber o que ainda é realmente preciso. Uma configuração básica de busca capturou apenas 57% dos requisitos que um agente de codificação precisava. Adicionar uma camada de verificação elevou isso para 100%.

De 8 tarefas, a linha de base acertou zero, a busca básica acertou 4, e a busca consciente da intenção acertou todas as 8. Fiz tudo isso com zero embeddings, zero bancos de dados vetoriais e absolutamente nenhuma chamada de LLM no pipeline.

Configurei um fluxo de trabalho de agente de codificação que funcionou perfeitamente no início. Mas quando um projeto ficou longo o suficiente, começou a causar problemas. Quando um projeto ultrapassava algumas dezenas de etapas, as regras centrais começavam a desaparecer. Ninguém as excluiu. A janela de contexto não estava cheia. Essas regras ainda estavam tecnicamente nos logs de chat. Elas simplesmente saíram do radar porque novas solicitações não acionavam o agente para verificar se uma decisão mais antiga ainda importava.

Por exemplo, você pode dizer ao agente no primeiro dia para nunca expor IDs internos de banco de dados em respostas de API. Sessenta mensagens depois, você pede que ele construa um novo fluxo de autenticação. Essa nova solicitação não diz nada sobre IDs. Como o agente não tem um motivo claro para olhar para trás, ele pula essa etapa e entrega um endpoint que vaza exatamente os dados que você tentou proteger.

Este não é um cenário inventado. É o caso de teste real que usei para este artigo. Abaixo, vou mostrar como três métodos diferentes lidam com esse problema exato.