Por que pedir para a IA "resumir o chat" é um paradoxo matemático: o que descobri analisando a perda de memória das IAs em projetos longos
Fala pessoal!
Se você usa ChatGPT, Claude, Gemini ou Cursor para programar projetos que passam de alguns dias de desenvolvimento, com certeza já passou por isso: no começo do chat a IA é genial, mas na 15ª mensagem ela começa a sugerir refatorações destrutivas, esquece contratos de API que vocês definiram no início e passa a propor bibliotecas que você já tinha testado e descartado.
O ritual que 99% dos desenvolvedores adotaram é mandar: "Resuma o que fizemos até aqui para eu abrir uma nova sessão".
Depois de analisar a perda de consistência em dezenas de sessões longas, resolvi mapear os motivos pelos quais essa abordagem falha e o que a engenharia de software precisa fazer para resolver a amnésia das IAs.
Aqui estão as 5 descobertas que mudaram a forma como estruturo meus projetos com IA:
-
O paradoxo da amnésia recente:
Pedir para um modelo cuja janela de contexto já está saturada resumir o próprio estado é pedir para alguém com amnésia lembrar do que acabou de esquecer. A IA descarta silenciosamente as nuances mais críticas (ex: regras de concorrência e constraints de banco) e mantém apenas uma visão superficial das tarefas. -
Por que RAG e Bancos Vetoriais falham para arquitetura de software:
Busca por similaridade de cosseno (embeddings) não entende a passagem do tempo. Se você decidiu usar PostgreSQL na semana passada, mas ontem decidiu migrar para SQLite por tenant, o banco vetorial traz ambas as decisões como "relevantes" pela semelhança do texto. A IA recebe informações contraditórias e alucina tentando misturar as duas. -
Requisito de Negócio NÃO é Decisão Arquitetural:
Descobri que o maior erro é misturar o "Espaço do Problema" com o "Espaço da Solução". Um requisito (ex: "isolar dados por escola para conformidade com a LGPD") é permanente. A decisão técnica (ex: "usar schemas separados vs arquivos de banco isolados") pode mudar. Quando esses dois conceitos se misturam no histórico, uma refatoração faz a IA esquecer a regra de negócio original. -
Conhecimento Negativo vale mais que o positivo:
Registrar o que NÃO funcionou é mais importante do que registrar o que deu certo. Se você gastou 2 horas descobrindo que o erro 403 não era CORS, mas sim o proxy reverso limpando headers, isso precisa ser persistido como "Hipótese Descartada". Caso contrário, a cada 3 sessões a IA tentará sugerir a mesma correção errada de CORS. -
A tese: Stateless CPU vs Canonical RAM:
A conclusão matemática é simples: modelos de IA são unidades de processamento sem estado (stateless compute). O projeto é estado persistente. Tentar guardar a memória viva de um software dentro da thread de chat é uma arquitetura ruim. O único guardião da verdade canônica precisa ser o repositório Git.
Para resolver isso na prática, criei um protocolo de loop fechado e construí uma CLI open-source em TypeScript chamada pactx (@trsthales/pactx).
O motor inspeciona o Git e arquivos canônicos locais (.ai-context/), gera um pacote de contexto compacto (~400 tokens) para o clipboard e ingere atualizações da IA com Write-Ahead Logging (WAL), escrita atômica e proteção contra corrupção em caso de crash.
Documentei toda a arquitetura, o modelo de estado e o código no GitHub:
GitHub: https://github.com/trsthales/pactx
NPM: https://www.npmjs.com/package/@trsthales/pactx
Como vocês têm lidado com a perda de memória e o esquecimento das IAs quando os projetos começam a ficar grandes? Alguém mais já notou esse problema com bancos vetoriais ou resumos manuais?