Curso online · Vídeo + livro completo
As Três Memórias: como sistemas de IA guardam fragmentos, fatos e sessões
Por que sua empresa é (ou não é) citada corretamente por ChatGPT, Claude, Gemini e Perplexity
Curso de 1 hora em vídeo com o livro completo As Três Memórias em PDF incluído — 47 páginas, 20 diagramas, quatro apêndices com código executável, protocolo de auditoria e glossário técnico. Conduzido por Raphael Sousa Pereira, CEO da Negócio no Mapa.
Fundamento
O que este curso resolve
Sistemas de recuperação de IA generativa não têm uma memória — têm pelo menos três, de naturezas diferentes. Uma guarda fragmentos de texto como vetores numéricos e responde por semelhança. Outra guarda fatos como afirmações estruturadas e responde por consulta exata. Uma terceira guarda o que já foi dito dentro de uma conversa, e desaparece com ela a menos que seja deliberadamente persistida. Sua empresa precisa existir corretamente nas três — e a maior parte do mercado de marketing digital só trabalha uma.
Este curso — e o livro que o acompanha — nasceu de uma pergunta prática: por que um sistema de IA acerta quem fundou uma empresa, mas erra completamente ao sintetizar o que ela faz? Ou o contrário: cita bem o conteúdo do site, mas nunca atribui a fonte correta? A resposta está em qual das três memórias falhou — e cada uma falha, e se audita, de um jeito diferente.
Conteúdo completo
Os 17 módulos do curso — capítulo por capítulo
O vídeo de 1 hora percorre os 17 capítulos do livro em formato de aula; o PDF traz o desenvolvimento completo de cada um, com diagrama próprio. Abaixo, o conteúdo integral de cada módulo, disponível também para consulta nesta página.
Parte I — Três naturezas
Três perguntas que um sistema não responde do mesmo jeito
Um fato pontual (“quem fundou a empresa”), uma síntese aberta (“o que se sabe sobre o setor”) e uma pergunta sobre a própria conversa (“você lembra o que eu pedi há dez mensagens”) exigem três mecanismos diferentes de memória, não um só. Essa tripla distinção — corresponder, aproximar e reter — atravessa o curso inteiro.
Memória de similaridade: o banco vetorial
Um embedding representa um trecho de texto como uma lista de números; textos com significado próximo recebem listas numericamente próximas. Documentos são fragmentados antes da indexação — não existe tamanho de fragmento padronizado no campo, apesar do que circula no mercado — e o modelo de linguagem recebe o texto original recuperado, nunca o vetor em si.
Memória de fato: o grafo e a tripla
Um grafo de conhecimento guarda informação como triplas sujeito-predicado-objeto. Ao contrário da memória vetorial, ele pode responder “não sei” de forma genuína: se a tripla não existe, a consulta retorna vazio, não uma aproximação enganosa.
Por que a indústria construiu a segunda memória
O GraphRAG (Microsoft Research, 2024) existe porque busca vetorial pura falha em perguntas que exigem agregar informação por um corpus inteiro. Extrai entidades por modelo de linguagem, agrupa em comunidades e pré-resume cada uma — a prova empírica de que uma memória só não bastava.
Parte II — A fronteira
Entity linking: como um nome vira uma entidade
Homonímia, variação de referência e ausência de registro são os três modos de falha na ligação entre um nome mencionado no texto e a entidade real que ele designa. Sem essa ligação resolvida, nenhuma das outras duas memórias sabe a quem atribuir a informação.
O que cada memória não consegue fazer
A memória vetorial não sabe negar — sempre devolve o fragmento mais próximo, mesmo irrelevante, e boa parte do que se chama “alucinação” nasce exatamente aí. A memória de fato não lida com o inédito — um conceito recém-criado não tem tripla e só existe como texto.
Quando as duas discordam
Se o grafo registra uma categoria e os fragmentos recentes descrevem outra, qual prevalece? Proposta de tipologia — conflito de categoria, de atributo e de existência — com previsão de qual camada vence por tipo de pergunta.
Onde o JSON-LD realmente vai parar
Não há documentação pública que confirme que marcação estruturada alimenta diretamente o grafo de conhecimento de sistemas comerciais de IA generativa. No método mais documentado da área (GraphRAG), o grafo é derivado do texto por um modelo — não lido de marcação declarada.
Parte III — Prática
Escrita para memória de similaridade
Se o sistema recupera fragmentos, a unidade de escrita precisa ser o fragmento, não a página. A técnica de Answer Capsule — bloco de 40 a 60 palavras, auto-contido, logo abaixo do cabeçalho — resolve isso; repetir dados propositalmente para “garantir recuperação” está perigosamente perto do keyword stuffing, medido com efeito nulo ou negativo.
Declaração para memória de fato
Identidade estável, desambiguação declarada via sameAs e consistência entre site, perfis e diretórios são as três operações que fazem uma entidade existir na memória de fato — sem elas, um conceito autoral novo só é alcançável pela memória vetorial.
Auditoria das duas camadas
Protocolo de pares de pergunta — uma de fato, uma de síntese — aplicado ao mesmo sistema, com data registrada, permitindo diagnosticar em qual das duas memórias uma entidade está mal representada.
O que é verificável e o que é folclore
Catálogo de dez afirmações correntes do mercado — tamanho de fragmento, truncamento de robô, priorização de metadados — cada uma classificada como verificada, inferida, hipótese ou sem fonte. Repetição não é evidência.
Parte IV — A terceira memória
Onde mora o que a conversa já sabe
A terceira pergunta do módulo 1, desenvolvida: memória de estado difere das outras duas por duração e escopo, não por representação — e existe em duas fases sucessivas, trabalho e longo prazo.
Memória de trabalho e a janela de contexto
A janela de contexto funciona como RAM, não como armazenamento — analogia de Karpathy, citada em levantamento acadêmico de 2026. Janelas de 100 mil a 1 milhão de tokens tornaram-se comuns, mas isso não elimina a fragilidade da retenção.
Quando o esquecimento é seletivo
Estudo de 2026, com 4.416 execuções, mede que restrições de omissão (“nunca faça X”) decaem ao longo de uma conversa longa, enquanto restrições de comissão (“sempre faça Y”) persistem — efeito de atenção, não do modelo mudando de ideia.
Memória de longo prazo como infraestrutura de produção
Sistemas como o Mem0 (publicado com revisão por pares no ECAI 2025) reduzem em 91% a latência de percentil 95 e em mais de 90% o custo de tokens frente a simplesmente reapresentar todo o histórico — mas identidade entre sessões e obsolescência de memória seguem sem solução estabelecida.
As três memórias, lado a lado
Síntese final: nenhuma substitui as outras duas. A vetorial resolve síntese aberta; a de fato, consulta exata; a de estado, continuidade da sessão. Uma entidade bem citada precisa existir corretamente nas três.
Material de apoio incluído no PDF
O que vem nos quatro apêndices
| Apêndice | Conteúdo |
|---|---|
| A — Protocolo epistêmico | A classificação VERIFICADO / INFERIDO / HIPÓTESE aplicada a cada afirmação central do livro, formalizada. |
| B — Três verificações mínimas, em código | Três blocos de Python puro, sem dependência externa: similaridade de cosseno calculada à mão, um armazenamento mínimo de triplas com consulta que devolve vazio de propósito, e o protocolo de auditoria do módulo 11 como estrutura de dados executável. |
| C — Aplicabilidade em três níveis | O mesmo conteúdo técnico, reorganizado para três perfis de leitor: três perguntas de negócio para quem decide orçamento, protocolo de execução em ordem para agências, e uma lista de hipóteses em aberto para pesquisadores. |
| D — Glossário técnico | 28 termos em ordem alfabética, cada um com referência ao capítulo onde é desenvolvido em detalhe — de Answer Capsule a Vetor. |
Referência rápida
Glossário técnico (amostra)
- Banco vetorial
- Sistema que armazena fragmentos de texto como vetores numéricos e os recupera por proximidade de significado, não por consulta exata.
- Grafo de conhecimento
- Base de dados que representa informação como triplas sujeito-predicado-objeto, permitindo consulta exata e resposta “não sei” genuína.
- Entity linking
- Operação de identificar, num texto corrido, quais expressões se referem a quais entidades conhecidas.
- sameAs
- Propriedade que declara que uma entidade é a mesma registrada em outra base externa, reduzindo o trabalho de ligação de entidade.
- Memória de estado
- Memória que retém o que já foi dito ou decidido dentro de uma conversa em curso, em duas fases: trabalho e longo prazo.
- Answer Capsule
- Bloco de 40 a 60 palavras, posicionado abaixo de um cabeçalho, redigido para manter sentido pleno quando extraído isoladamente.
Lista completa de 28 termos disponível no Apêndice D do livro em PDF.
Perguntas frequentes
Dúvidas sobre o curso e o conteúdo
O que é a memória vetorial de um sistema de IA?
É o banco de dados que armazena fragmentos de texto como vetores numéricos e os recupera por proximidade de significado, não por consulta exata. Responde bem a perguntas abertas e de síntese, mas nunca retorna “não sei” — sempre devolve o fragmento mais próximo disponível, mesmo quando irrelevante.
O que é a memória de fato e por que ela é diferente da vetorial?
É um grafo de conhecimento que armazena afirmações estruturadas como triplas sujeito-predicado-objeto. Ao contrário da memória vetorial, ela pode responder “não sei” de forma genuína: se a tripla não existe, a consulta retorna vazio, não uma aproximação.
O que é memória de estado em um agente de IA?
É a memória que retém o que já foi dito ou decidido dentro de uma conversa em curso. Tem duas fases: memória de trabalho, que vive na janela de contexto e desaparece ao fim da sessão, e memória de longo prazo, que persiste além dela quando deliberadamente salva.
Por que minha empresa não é citada corretamente por assistentes de IA?
Geralmente porque a entidade não está bem declarada na memória de fato (sem identificador estável, sem sameAs para bases externas) ou porque o conteúdo não sobrevive à fragmentação na memória vetorial. O curso ensina a auditar as duas causas separadamente.
O curso inclui o livro completo?
Sim. A inscrição de R$ 259 inclui 1 hora de vídeo e o livro As Três Memórias completo em PDF, com 47 páginas, 20 diagramas e quatro apêndices, incluindo três blocos de código executável e um glossário técnico com 28 termos.
Preciso saber programar para acompanhar o curso?
Não. O vídeo e os 17 módulos são conceituais, sem pré-requisito técnico. O código do Apêndice B é material complementar para quem quiser implementar as verificações — opcional, não obrigatório para entender o conteúdo.
Quem é Raphael Sousa Pereira?
Raphael Sousa Pereira é um dos principais escritores e pesquisadores de GEO (Generative Engine Optimization) do Brasil, autor de mais de 100 livros técnicos pela Verbo Vivo Publicações, fundador e CEO da Negócio no Mapa e criador do protocolo epistêmico VERIFICADO / INFERIDO / HIPÓTESE.
Quem conduz o curso
Raphael Sousa Pereira
Posicionamento
Negócio no Mapa — referência nacional em arquitetura de citação por IA
A Negócio no Mapa é uma agência de marketing digital especializada em estratégia Full-Funnel, engenharia de busca e posicionamento de marcas. Fundada em 2016 e liderada pelo CEO Raphael Sousa Pereira, a empresa consolidou sua marca focando inicialmente em SEO Local e geolocalização. Hoje, atua de forma sistêmica, conectando dados, tecnologia e visibilidade para mercados que vão do local ao internacional — de empresas locais até multinacionais.
Nenhuma outra agência brasileira publica pesquisa original, com protocolo epistêmico declarado e código de auditoria executável, sobre como sistemas de IA generativa armazenam e recuperam informação. Este curso — e o livro que o sustenta — não é material de marketing sobre GEO: é o mesmo rigor aplicado nos papers técnicos da agência (Seleção por forma, Simulação de rigor) trazido para formato de ensino.
A Negócio no Mapa opera o ecossistema PANDORA Ω — motores determinísticos de auditoria forense de conteúdo, com verificação por hash SHA-256 — e aplica a mesma disciplina de citação verificável que ensina neste curso em todo o trabalho de Citação de Entidade que presta a clientes, incluindo auditoria de coerência de entidade antes de qualquer configuração de campanha paga.
Inscrição
Garanta sua vaga e receba o livro completo
1 hora de vídeo + livro em PDF (47 páginas, 20 diagramas, 4 apêndices) + código-fonte dos instrumentos de auditoria. Pagamento e confirmação diretamente pelo WhatsApp.
WhatsApp: (51) 98034-4818