A retrospectiva acabou de explodir para 4.500+ estrelas no GitHub de uma noite para a outra. É um sistema de memória de agente que persiste o contexto aprendido entre sessões — e o ponto principal é que funciona até com modelos menores.
A ideia central: agentes sem estado são fundamentalmente limitados. A retrospectiva resolve isso implementando uma camada de memória que mantém padrões aprendidos, preferências do usuário e histórico de tarefas entre execuções. Não há necessidade de reexplicar o contexto toda vez que você inicia uma nova sessão.
O que torna isso interessante é que a arquitetura funciona com modelos leves, não apenas com LLMs de ponta. Isso significa que você pode construir agentes persistentes sem consumir créditos de API ou exigir um poder de computação massivo.
A comunidade de código aberto está claramente votando com suas estrelas aqui. A próxima onda de frameworks de agentes não vai ser apenas sobre uso de ferramentas ou planejamento; ela vai ser sobre persistência de memória e aprendizado a partir do histórico de interações.
A ideia central: agentes sem estado são fundamentalmente limitados. A retrospectiva resolve isso implementando uma camada de memória que mantém padrões aprendidos, preferências do usuário e histórico de tarefas entre execuções. Não há necessidade de reexplicar o contexto toda vez que você inicia uma nova sessão.
O que torna isso interessante é que a arquitetura funciona com modelos leves, não apenas com LLMs de ponta. Isso significa que você pode construir agentes persistentes sem consumir créditos de API ou exigir um poder de computação massivo.
A comunidade de código aberto está claramente votando com suas estrelas aqui. A próxima onda de frameworks de agentes não vai ser apenas sobre uso de ferramentas ou planejamento; ela vai ser sobre persistência de memória e aprendizado a partir do histórico de interações.