Arquitetura de Memória Compartilhada da OzBrain: Como Equipes Multi-Agentes Evitam Reexplicar Contexto Entre Sessões

Quando você executa vários agentes através do Claude, ChatGPT e Cursor, cada um começa do zero, a menos que você cole manualmente o contexto em cada sessão. O OzBrain resolve isso ao expor um substrato de conhecimento compartilhado que os agentes leem e escrevem através do Protocolo de Contexto do Modelo (MCP). O sistema roteia o contexto para que os agentes vejam apenas o que precisam, e as equipes evitam explicar os mesmos fatos para cada nova instância de agente.

A postagem do Show HN recebeu 85 pontos e 50 comentários porque o problema é real: fluxos de trabalho de múltiplos agentes em produção falham quando o contexto vive em históricos de chat isolados ou documentos espalhados. A arquitetura do OzBrain trata o conhecimento como um recurso de primeira classe com escopo explícito, indexação e resolução de conflitos.

Camada de Armazenamento e Limites de Escopo

O OzBrain organiza o conhecimento em cérebros, que podem ser pessoais ou compartilhados. Cada cérebro contém unidades de conhecimento estruturadas que os agentes consultam através do conector MCP. O sistema decide o escopo no momento da escrita:

• Cérebros pessoais armazenam preferências específicas do usuário, estilo de escrita e estado de projetos privados.
• Cérebros compartilhados contêm fatos de toda a equipe, como contatos de clientes, decisões de projetos e tópicos abertos.

Quando um agente escreve para o OzBrain, ele especifica o cérebro alvo. O conector MCP impõe controle de acesso: os agentes podem ler de qualquer cérebro que o usuário tenha acessado, mas as permissões de escrita dependem da política de compartilhamento do cérebro. Isso evita o vazamento acidental de contexto pessoal na memória da equipe.

A camada de armazenamento marca cada unidade de conhecimento com metadados: timestamp de criação, última atualização e um indicador de frescor (fresco, envelhecendo, obsoleto). Os agentes usam essas marcas para decidir se confiam no fato armazenado ou se devem consultar a fonte novamente.

Estratégia de Indexação e Roteamento de Consultas

O OzBrain não carrega todo o gráfico de conhecimento em cada prompt. Em vez disso, mantém um índice de roteamento que mapeia tópicos para unidades de conhecimento. Quando um agente consulta por "contatos de clientes", o índice retorna ponteiros para unidades relevantes sem puxar o estado de projeto não relacionado.

O índice de roteamento usa um modelo simples de palavras-chave e tópicos:

1. Cada unidade de conhecimento declara seu tópico (por exemplo, "clientes/meridian", "voz", "projetos/lancamento-q3").
2. O índice constrói uma pesquisa reversa de tópico para ID da unidade.
3. Os agentes enviam uma consulta de tópico através do conector MCP, que retorna uma lista classificada de IDs de unidades.
4. O agente busca apenas as unidades com melhor classificação, mantendo o prompt dentro do orçamento de tokens.

Essa abordagem troca precisão por velocidade. O índice não usa embeddings ou busca semântica, então os agentes devem conhecer o rótulo de tópico correto. Na prática, isso funciona porque as equipes estabelecem convenções de nomenclatura cedo (por exemplo, "clientes/", "projetos/", "preferências/").

Resolução de Conflitos Quando Múltiplos Agentes Escrevem

Quando dois agentes atualizam a mesma unidade de conhecimento, o OzBrain usa a regra do último a escrever vence com uma bandeira de conflito. O sistema não mescla mudanças automaticamente. Em vez disso:

1. O Agente A escreve uma nova versão de "projetos/lancamento-q3" com status "atrasado".
2. O Agente B escreve uma versão conflitante com status "em andamento" 30 segundos depois.
3. O OzBrain armazena a versão do Agente B como o estado atual, mas marca a unidade como "conflitada".
4. O próximo agente a ler "projetos/lancamento-q3" vê a bandeira de conflito e pode apresentá-la ao usuário.

Essa é uma troca deliberada. A mesclagem automática requer compreensão semântica do conflito, que o OzBrain não tenta. A bandeira de conflito garante que as contradições não se propaguem silenciosamente pela memória compartilhada da equipe.

Modos de Falha e Obsolescência

A memória compartilhada introduz um novo modo de falha: contexto obsoleto. Se uma unidade de conhecimento diz "o cliente prefere e-mail" mas o cliente mudou para Slack na semana passada, os agentes farão suposições incorretas até que alguém atualize a unidade.

O OzBrain mitiga isso com marcas de frescor. Quando um agente lê uma unidade marcada como "envelhecendo", ele pode solicitar ao usuário que confirme o fato antes de agir. O sistema não expira automaticamente o conhecimento porque alguns fatos (por exemplo, "diretrizes de voz da marca") permanecem válidos por meses.

O modo de falha mais perigoso é o contexto contraditório. Se a memória de trabalho de um agente (da sessão atual) conflita com a memória compartilhada do OzBrain, o agente deve decidir em qual confiar. O OzBrain não fornece um mecanismo de resolução. Os agentes normalmente confiam em sua memória de trabalho para fatos específicos da sessão e se referem à memória compartilhada para estados de longa duração.

Implementação do Conector MCP

O OzBrain expõe sua API através de um servidor MCP em https://ozbrain.com/api/mcp. Os agentes se conectam adicionando o servidor à sua configuração MCP. O conector suporta quatro operações:

• list_brains: Retorna todos os cérebros que o usuário pode acessar.
• query_brain(brain_id, topic): Retorna unidades de conhecimento correspondentes ao tópico.
• write_unit(brain_id, topic, content): Cria ou atualiza uma unidade de conhecimento.
• read_unit(brain_id, unit_id): Busca uma unidade específica pelo ID.

Aqui está um exemplo mínimo de um agente consultando o contexto do cliente:

import mcp

client = mcp.Client("https://ozbrain.com/api/mcp", api_key=user_token)

# Listar cérebros disponíveis
brains = client.call("list_brains")
team_brain = next(b for b in brains if b["name"] == "team-shared")

# Consultar contatos de clientes
units = client.call("query_brain", {
    "brain_id": team_brain["id"],
    "topic"