Elastic Atlas: memória cognitiva open-source para agentes de IA — três tipos de memória no Elasticsearch, 89% de Recall@10

Resumo: A Elastic abriu o código do Atlas, um sistema de memória cognitiva para agentes de IA construído sobre Elasticsearch. O projeto se apoia em três tipos de memória propostos pela ciência cognitiva — episódica (“o que aconteceu”), semântica (“o que é verdade”) e procedural (“o que funciona”) — mantidos em índices separados, com ciclos de vida próprios. Além do armazenamento, o Atlas integra-se a agentes via MCP (Model Context Protocol), isola memórias por usuário e alcançou 0,89 de Recall@10 em avaliação de perguntas e respostas. É a resposta prática para uma dor real: janelas de contexto gigantes não bastam, porque agentes esquecem no meio do fluxo, gastam caro em tokens e vazam contexto entre usuários.

O que é o Atlas

Atlas parte de uma constatação simples: contexto longo não é memória. Em conversas repetidas com o mesmo usuário, o agente precisa lembrar de fatos (“Pedro trabalha com IA em SP”), de eventos (“Pedro pediu esse relatório ontem às 15h”) e de procedimentos que funcionaram (“para relatório de vendas dele, use o formato Y”). Empilhar tudo em um prompt gigante custa caro, aumenta latência e, pior, expõe o modelo ao efeito lost in the middle, em que informações no meio do contexto simplesmente somem no processo de atenção.

A resposta do Atlas é dividir a memória do agente em três índices no Elasticsearch. O episódico registra eventos e interações com timestamp, sujeito a decaimento (a lembrança perde peso com o tempo, mimetizando esquecimento humano). O semântico guarda fatos consolidados, com regras de supersessão — quando um fato novo contradiz um antigo, o antigo é rebaixado. O procedural registra padrões de execução que funcionaram (fórmulas, prompts, ordens de operação), útil para calibrar o agente com base em histórico de sucesso.

O acesso ao conjunto é hybrid retrieval: busca vetorial combinada com busca por termos e um reranker, tudo dentro do próprio Elasticsearch. Isolamento por usuário fica a cargo do Document Level Security (DLS) — cada consulta é limitada aos documentos que aquele usuário tem direito de ver.

O gancho com o MCP

O que faz o Atlas relevante para o público de engenharia de agentes é a integração com o Model Context Protocol. O agente não precisa saber que a memória está no Elasticsearch: ele chama ferramentas MCP como remember(fact), recall(query) ou list_recent_events(user_id), e o Atlas cuida do resto. Isso desacopla o agente da infra, o que casa com a padronização MCP que já virou de facto entre Anthropic, OpenAI, Google e IBM. Para times que já rodam Elastic Stack para logs e busca, o custo marginal de adotar Atlas é baixo.

Por que importa

O mercado de agentes está aprendendo, na marra, que context window não é sinônimo de context management. Ganhos reais em qualidade e custo vêm de sistemas que resolvem três coisas: escolher o que lembrar, quando lembrar, e como esquecer. Atlas coloca isso em um layout engenheirável, com ferramentas conhecidas, sem exigir um banco especializado ou serviço proprietário. E, ao ser open source, entra no menu de empresas com restrições de hospedagem — bancos, governos, hospitais — que não podem simplesmente enviar memórias de usuários para um serviço fechado.

Status no Brasil

Elastic tem base instalada gigantesca no Brasil, muito por conta do uso em segurança (SIEM) e observabilidade. Isso favorece a adoção: várias empresas já têm Elasticsearch produtivo, com processo de segurança e operação maduros. Rodar o Atlas em um cluster on-premise ou em VPC própria resolve boa parte das preocupações de LGPD para armazenar memória de agentes de atendimento, jurídicos internos e agentes que operam sobre dados financeiros. O time de dados que já conhece DLS, index lifecycle management e ingest pipelines ganha um caminho natural para virar dono da memória de IA sem precisar aprender uma tecnologia nova.

Riscos e limitações

Complexidade operacional: manter três índices com regras próprias de decaimento, supersessão e retenção exige planejamento; não é magia. Qualidade depende de embeddings e reranker: os 0,89 de Recall@10 foram medidos em um conjunto específico; resultados variam por domínio, idioma e modelo de embedding. Português brasileiro: embeddings multi-idioma da Elastic são bons, mas modelos especializados em PT-BR ainda tendem a dar precisão superior — vale benchmark antes de padronizar. Governança: uma vez que a memória vira ativo, a organização passa a ter que responder por ela — o que exige políticas de retenção, direito ao esquecimento e trilhas de acesso. Risco de vazamento entre usuários: se o DLS não estiver bem configurado, o próprio agente vira canal de vazamento — deve ser auditado antes de ir a produção.

Análise SWOT econômica

Cenário de futuro

A tendência é clara: memória de agentes vira produto tão importante quanto o modelo. O padrão de três tipos (episódica/semântica/procedural) tem chance de virar convenção, empurrado pelo MCP. Nos próximos 12 meses, é razoável esperar concorrência ativa entre Atlas, Cognee, Zep, Mem0, e serviços gerenciados de hyperscalers, com convergência em padrões de API (o próprio Atlas usa nomes bem semelhantes aos vistos em outros projetos). Para o Brasil, a oportunidade específica é oferecer soluções verticalizadas em cima do Atlas — agente jurídico com memória procedural de peças que ganharam, agente de vendas com memória semântica de contas — sem depender de fornecedor externo para o coração do dado.

Conclusão prática

Se sua empresa já roda Elasticsearch e planeja agentes com clientes repetidos, o Atlas é candidato natural: baixo custo de entrada, alinhamento com MCP, hospedagem sob controle. Se você está começando um agente do zero, avalie desenhar a memória em três camadas desde o começo — mesmo que use outro backend. O ganho de qualidade e de custo por resposta é maior do que qualquer tuning no prompt.

Fonte original: InfoQ — Elastic Open-Sources Atlas Agent Memory Based on Cognitive Science.