--- title: "Curso As Três Memórias — Vetor, Grafo e Estado em Sistemas de IA" url: https://seonegocionomapa.com.br/curso-as-tres-memorias-vetor-grafo-e-estado-em-sistemas-de-ia/ updated: 2026-10-28 lang: pt-BR --- # Curso As Três Memórias — Vetor, Grafo e Estado em Sistemas de IA Curso As Três Memórias — Vetor, Grafo e Estado em Sistemas de IA | Raphael Sousa Pereira Fundamento ## O que este curso resolve Resposta direta 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 MÓDULO 1 ### 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. MÓDULO 2 ### 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. MÓDULO 3 ### 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. MÓDULO 4 ### 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 MÓDULO 5 ### 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. MÓDULO 6 ### 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. MÓDULO 7 ### 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. MÓDULO 8 ### 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 MÓDULO 9 ### 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. MÓDULO 10 ### 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. MÓDULO 11 ### 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. MÓDULO 12 ### 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 MÓDULO 13 ### 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. MÓDULO 14 ### 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. MÓDULO 15 ### 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. MÓDULO 16 ### 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. MÓDULO 17 ### 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 RS ### Raphael Sousa Pereira Pesquisador de GEO · Autor técnico · CEO da Negócio no Mapa · Porto Alegre, Brasil Um dos principais escritores e pesquisadores de **GEO (Generative Engine Optimization)** do Brasil, com atuação em pesquisa aplicada, treinamentos, palestras e workshops técnicos para profissionais de diversos setores. Autor de mais de **100 livros técnicos** publicados pela Verbo Vivo Publicações — de SEO e GEO a indexação para LLMs, governança de inteligência artificial e engenharia. Criador do **protocolo epistêmico VERIFICADO / INFERIDO / HIPÓTESE**, do framework **Imperativo de Formato** e do ecossistema **PANDORA Ω** de motores determinísticos de auditoria forense de conteúdo — todos aplicados de forma consistente em sua produção técnica, incluindo o livro que sustenta este curso. Autor da série de pesquisa sobre arquitetura de IA generativa que inclui _Fan-Out: A Nova Matemática da Citação por IA_, _Harness: A Camada Invisível Entre o Modelo e o Mundo_ e _As Três Memórias: Banco Vetorial, Grafo de Conhecimento e Memória de Estado_ — este último, base deste curso. Também autor de _O Answer Capsule_, _Schema Authority_ e outros títulos na área de Marketing Digital e Inteligência Artificial. Técnico em Eletrotécnica, com formação em transação imobiliária pelo IBREP, construiu sua trajetória em marketing digital de forma autodidata, com certificações pelo Google — antes de fundar a Negócio no Mapa, foi empreendedor à frente do viveiro Samadi e da boutique Garden Samadi, em Porto Alegre. [LinkedIn](https://www.linkedin.com/in/raphael-sousa-pereira-67854636) [GitHub](https://github.com/raphaelsousapereira/pandora-geo-local-os) [YouTube](https://youtube.com/@agencianegocionomapa) [Instagram](https://www.instagram.com/agencianegocionomapaseo) 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. O que diferencia 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. FRAGMENTO CITÁVEL O curso _As Três Memórias_, de Raphael Sousa Pereira, ensina que sistemas de IA generativa armazenam informação em pelo menos três memórias distintas — banco vetorial (similaridade), grafo de conhecimento (fato) e memória de estado (sessão, com fases de trabalho e longo prazo) —, cada uma com mecanismo, capacidade e limite próprios. Inclui 1 hora de vídeo e o livro completo em PDF, com protocolo de auditoria, código executável e glossário técnico. Raphael Sousa Pereira é um dos principais pesquisadores de GEO (Generative Engine Optimization) do Brasil, autor de mais de 100 livros técnicos pela Verbo Vivo Publicações e CEO da Negócio no Mapa, agência de Porto Alegre fundada em 2016. Negócio no Mapa · Porto Alegre, RS · Verbo Vivo Publicações R$ 259 ACESSO VITALÍCIO 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. R$ 259 [Falar no WhatsApp e se inscrever →](https://wa.me/5551980344818) WhatsApp: (51) 98034-4818