As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Práticas recomendadas
<a name="agentic-memory-best-practices"></a>

## Gerenciamento do ciclo de vida da memória
<a name="agentic-memory-bp-lifecycle"></a>
+ **Use TTL para memória de curto prazo** — Defina valores de TTL apropriados nas entradas de memória para expirar automaticamente as informações transitórias. Para o contexto da sessão, use TTLs de 30 minutos a 24 horas. Para preferências de usuário de longo prazo, use TTLs mais longos ou persista indefinidamente.
+ **Implemente a deterioração da memória** — O Mem0 fornece mecanismos de decaimento integrados que removem informações irrelevantes ao longo do tempo. Configure-os para evitar o excesso de memória à medida que o agente acumula mais interações.
+ **Desduplicar memórias** — Antes de armazenar uma nova memória, verifique se já existe uma memória semelhante usando a pesquisa de similaridade vetorial. Atualize as memórias existentes em vez de criar duplicatas.

## Configuração do índice vetorial
<a name="agentic-memory-bp-index"></a>
+ **Escolha o tipo de índice certo** — Use `FLAT` para armazenamentos de memória menores (menos de 100.000 entradas) onde a pesquisa exata é viável. Use `HNSW` para lojas maiores, onde a pesquisa aproximada do vizinho mais próximo oferece melhor desempenho em grande escala.
+ **Selecione as dimensões apropriadas** — Combine as dimensões de incorporação ao seu modelo. O Amazon Titan Text Embeddings V2 produz vetores de 1024 dimensões. O text-embedding-3-small da OpenAI produz vetores de 1536 dimensões.
+ **Use a métrica de distância COSINE** — Para incorporações de texto de modelos como Amazon Titan e OpenAI, a distância COSINE geralmente é a métrica mais apropriada para medir a similaridade semântica.

## Multi-user isolamento
<a name="agentic-memory-bp-isolation"></a>
+ **Memórias de escopo por ID de usuário** — Sempre inclua um `user_id` parâmetro ao armazenar e pesquisar memórias para evitar o vazamento de informações entre os usuários.
+ **Use filtros TAG para isolamento eficiente** — Ao consultar o índice vetorial, use filtros TAG (por exemplo,`@user_id:{user_123}`) para pré-filtrar os resultados por usuário antes de realizar a pesquisa KNN. Isso é executado como uma única operação atômica, fornecendo isolamento e desempenho.

  ```
  # Example: TAG-filtered vector search for user isolation
  results = client.execute_command(
      "FT.SEARCH", "agent_memory",
      f"@user_id:{{{user_id}}}=>[KNN 5 @embedding $query_vec]",
      "PARAMS", "2", "query_vec", query_vec,
      "DIALECT", "2",
  )
  ```

## Gerenciamento de memória em grande escala
<a name="agentic-memory-bp-scale"></a>
+ **Defina a política de memória máxima** — configure `maxmemory-policy allkeys-lru` em seu ElastiCache cluster para remover automaticamente as entradas de memória menos usadas recentemente quando o cluster atingir seu limite de memória.
+ **Monitore o uso da memória** — Use CloudWatch as métricas da Amazon para rastrear a utilização da memória, as taxas de acerto do cache e a latência da pesquisa vetorial. Defina alarmes para alto uso de memória para gerenciar proativamente a capacidade.
+ **Planeje a capacidade** — cada entrada de memória normalmente requer aproximadamente 4 a 6 KB (dimensões de incorporação × 4 bytes \+ metadados). Uma ElastiCache instância de 1 GB pode armazenar aproximadamente 170.000 a 250.000 entradas de memória, dependendo do tamanho da incorporação e dos metadados.