OpenClaw é poderoso em fazer isso, mas precisa de ajuda para lembrar.
OpenClaw é executado em sua máquina, limpa sua caixa de entrada e desenvolve habilidades. A lacuna é a memória que você pode verificar, consultar e corrigir. Uma camada de verdade abaixo dela fornece origem, reversão e o mesmo resultado sempre que você pergunta.
Principais conclusões
- Os agentes do estilo OpenClaw e Claw são excelentes em fazer (calendário, textos, navegação, formulários, habilidades). A lacuna é lembrar de uma forma verificável, consistente e recuperável.
- Mais contexto não corrige substituições, falta de proveniência, identidade canônica instável, respostas não determinísticas ou memória vinculada a ferramentas. Esses limites dizem respeito ao estado, não à recuperação.
- Uma camada de verdade fica sob o agente: o agente continua fazendo; a camada mantém o estado com identidade canônica, proveniência, consultas determinísticas, capacidade de recuperação e acesso entre ferramentas.
- Com uma camada de verdade, tarefas e transações tornam-se entidades de primeira classe com linhagem. A mesma consulta produz o mesmo resultado; gravações incorretas podem ser revertidas; os mesmos dados estão disponíveis para Cursor, Claude, ChatGPT ou Claw via MCP.
- Visibilidade sobre o que o agente aprendeu (por exemplo, fluxos de trabalho no Notion) é comportamento. Uma camada de verdade acrescenta visibilidade ao estado: quais entidades existem, como estão vinculadas, de onde vieram e como mudaram.
O que o OpenClaw acerta
OpenClaw (e a onda mais ampla de Claw/Clawdbot) é a primeira vez que muitas pessoas sentem que têm uma IA pessoal real. Ele roda na sua máquina. Possui memória persistente. Ele pode ler seus textos, gerenciar seu calendário, navegar na web, preencher formulários e desenvolver habilidades que melhoram à medida que você o usa.
O [caso do touro] de Brandon Wang (https://brandon.wang/2026/clawdbot) é uma boa leitura: extração de promessas de textos em eventos de calendário, alertas de preços com critérios complexos (por exemplo, "cama bicama OK se não estiver no mesmo quarto que outra cama"), inventário de freezer de fotos no Notion, reserva Resy que cruza seu calendário com a disponibilidade do restaurante.
O agente faz coisas. Ele também lembra coisas. O contexto se acumula. Esse é o “doce elixir do contexto” de que ele fala.
Portanto, no eixo “o agente pode agir em meu nome e conhecer minhas preferências”, a resposta é sim. A lacuna que me interessa é o outro eixo: como essa memória é armazenada e se é algo em que você pode confiar, reproduzir e consertar quando dá errado.
Onde "mais contexto" atinge o mesmo teto
Passo grande parte da minha vida por meio de um agente (Cursor mais MCP): e-mail, tarefas, finanças, contatos, conteúdo. Atingi limites que não se referem à recuperação ou ao tamanho do modelo. Eles são sobre estado.
- Substitui sem desfazer. O agente atualiza um contato ou mescla duas tarefas. O estado anterior desapareceu. Não há controle de versão, nem reversão. As gravações estão no local.
- Sem procedência. Quando o agente fornece um número errado ou um total errado, não consigo rastreá-lo até um registro ou importação específico. Não sei qual observação levou a qual resposta.
- Sem identidade canônica. "Acme Corp" em uma sessão e "ACME CORP" na próxima podem ou não ser tratados como a mesma entidade. O agente infere novamente a cada vez. Não há IDs estáveis ou regras de mesclagem.
- Respostas não determinísticas. Mesma pergunta ("qual é o meu gasto total com o fornecedor X?"), resposta diferente amanhã. Arquivos perdidos, pesquisa truncada ou resolução de entidade diferente. Não há como reproduzir ou verificar.
- Memória vinculada à ferramenta. O que o agente "sabe" reside na memória dessa ferramenta ou no contexto desse provedor. Não consigo usar os mesmos contatos e tarefas do Claude.ai ou ChatGPT. A memória não é compartilhada entre as ferramentas que uso.
Esses limites não desaparecem quando o agente obtém mais capacidade ou mais contexto. Eles ficam mais nítidos. Quanto mais o agente faz (calendário, contatos, tarefas, transações), mais você precisa de um local onde esse estado seja de primeira classe: identidade, linhagem e a capacidade de consultá-lo de forma determinística e revertê-lo quando algo falhar.
O que uma camada de verdade acrescenta a um agente como Claw
Uma camada de verdade não substitui o agente. É a camada * abaixo * dela. O agente continua fazendo: lendo textos, navegando, preenchendo formulários, fazendo eventos na agenda, desenvolvendo habilidades. A camada é onde reside o estado resultante e como ele é consultado.
- Identidade canônica persistente. Contatos, tarefas, transações e eventos obtêm IDs estáveis. "Acme Corp" e "ACME CORP" resolvem para uma entidade por regra, não por inferência por sessão.
- Proveniência e auditoria. Cada registro pode ser rastreado até uma origem (importação, ação do agente, edição do usuário) e um horário. Quando um número está errado, você pode ver de onde ele veio.
- Consultas determinísticas. "Todas as transações com o fornecedor X nos últimos dois anos" ou "todas as tarefas do projeto Y" atingiram uma loja estruturada. Mesma consulta, mesmo resultado. Sem pesquisa, sem truncamento, sem reinferência.
- Recuperabilidade. Quando o agente substitui um contato ou mescla duas tarefas por engano, você tem controle de versão e uma trilha de auditoria. Você pode ver o que mudou e reverter. As mutações são explícitas; eles não são substituições silenciosas.
- Verdade entre ferramentas. Os mesmos contatos, tarefas e planos de execução estão disponíveis para Cursor, Claude, ChatGPT ou Claw, por meio de algo como MCP. Um substrato de memória, muitos agentes.
Portanto, o Claw (ou qualquer agente do estilo Claw) ainda seria o responsável pela parte "fazer": interpretar a intenção, navegar, preencher formulários, criar eventos, aprender fluxos de trabalho. A camada da verdade seria proprietária da parte de “lembrar”: entidades canônicas, cronogramas, proveniência e consultas idempotentes e reproduzíveis. O agente escreve na camada e lê nela. Você obtém a vantagem de um agente que faz coisas e uma memória que não flutua, não sobrescreve sem deixar rastros ou discorda entre sessões ou ferramentas.
Imagem concreta
Imagine Claw criando uma tarefa de acompanhamento depois de você prometer algo em um texto. Hoje isso pode estar na memória do agente ou em uma lista local. Com uma camada de verdade, essa tarefa é uma entidade de primeira classe: ligada à conversa que a criou, ao contato se for relevante e a qualquer projeto ou plano de execução. Você pode consultar “todos os acompanhamentos da semana passada” ou “tarefas vinculadas a este contato” a partir de qualquer ferramenta que converse com a camada. Se posteriormente o agente mesclar duas tarefas por engano, você terá um histórico de alterações e poderá reverter.
Ou: o Claw ajuda você a controlar os gastos com um fornecedor. Sem uma loja estruturada, ele pesquisa exportações e e-mails a cada vez e infere novamente a resolução da entidade. Os totais podem mudar. Com uma camada de verdade, as transações são normalizadas e vinculadas a um ID canônico do fornecedor. “Gasto total com o fornecedor X” é uma consulta, não uma montagem única. Mesma pergunta, mesma resposta. E se o agente “corrigir” uma transação com base em inferências erradas, você terá uma trilha de auditoria e a opção de reverter.
Brandon menciona escrever fluxos de trabalho para o Notion para que ele possa ver o que Claw aprendeu. Isso é visibilidade do comportamento. Uma camada de verdade adiciona visibilidade ao estado: quais entidades existem, como estão vinculadas, de onde vieram e como mudaram. Esse é o complemento de “o agente fez alguma coisa”. “O agente fez algo, e aqui está o estado que escreveu, com linhagem e capacidade de consertar.”
Por que estou construindo o Neotoma desta forma
Estou construindo o Neotoma como uma camada de memória estruturada com esses primitivos: resolução de entidade, cronogramas, proveniência, determinismo e acesso multiplataforma via MCP. Estou fazendo dogfood em minha própria pilha de agentes para ver onde eles são importantes. A lição desse trabalho é que recuperação (baseada em incorporação ou agente) e "mais contexto" por si só não fornecem identidade estável, estado verificável ou capacidade de recuperação. Algo que tem que ficar embaixo. OpenClaw e seu ecossistema estão provando que os agentes podem fazer muito. Acho que o próximo passo é garantir que o que eles fazem esteja baseado em uma camada de memória em que você possa confiar, consultar e corrigir. Essa é a camada que estou construindo.