# newwhats.clube67.com — Secretária IA: roadmap de evolução (humanização + memória)

> **Estado DESEJADO / sugestões** (não é o estado atual — esse está em
> `secretaria-ia.md`). Levantamento de 28/jun/2026. Atualizar conforme for
> implementado, movendo o que entrar em produção para a doc de estado.

## Onde está hoje
Persona/Regras/Conhecimento (Cérebro) + `context_window` (últimas N msgs) +
`summary` da conversa + **RAG** no conhecimento (embeddings+cosseno, sem pgvector).
**Lacunas:** não lembra do cliente **entre conversas**; responde só por **texto**.

## 1) Memória de longo prazo ("memória virtual")

Frameworks de mercado (2026):

| Framework | Abordagem | Melhor para |
|---|---|---|
| **Mem0** | escopos usuário/sessão/agente; vetor+grafo+KV | personalização (cliente que volta) |
| **Zep / Graphiti** | grafo de conhecimento **temporal** (fatos com validade) | fatos que mudam no tempo |
| **Letta (MemGPT)** | core (RAM) + arquival (disco) + recall | memória de horizonte longo |

- Mem0/Zep têm **cloud gerenciado** (dispensa pgvector) — porém dependência externa + custo.
- **Recomendado p/ este projeto:** **memória própria por contato** — tabela
  `sec_contact_memory` com *fatos extraídos* + embeddings em JSON + cosseno
  (mesma técnica do RAG já implementado). ~80% do valor do Mem0 sem infra nova.

## 2) Humanização

| Recurso | Tecnologia | Impacto |
|---|---|---|
| Entender áudios do cliente | Whisper (OpenAI) / Gemini audio | alto (hoje ignora áudios) |
| Responder em áudio (voz) | OpenAI TTS / ElevenLabs | alto |
| Ritmo humano | "digitando…", delay proporcional, quebra em 2–3 msgs | médio-alto |
| Memória do cliente | item 1 | alto |
| Modelo mais natural | Claude / GPT-4o no diálogo | médio |

## Prioridade sugerida
1. ✅ **Memória própria por contato** — IMPLEMENTADA (28/jun/2026). Ver
   `secretaria-ia.md` → "Memória de longo prazo por contato" (`sec_contact_memory`).
2. ✅ **Transcrição de áudios / descrição de imagens** — IMPLEMENTADA no MOTOR
   (28/jun/2026) via Gemini 2.0 Flash → `messages.transcription` (genérica p/ todos
   os satélites; `media-transcribe.ts` + `MessageHandler.processMedia`).
3. **Ritmo humano** (typing + delay + chunks) — barato, muda a percepção.
4. **Resposta em áudio (TTS)** — opcional, alto impacto, custo por uso.
5. **Mem0/Zep cloud** — só se a memória própria não escalar.

## Nota técnica — transcrição de áudios (prioridade 2)

**Desenho recomendado: transcrever no SERVIDOR via API gerenciada do Google.**

- O áudio recebido **nasce no servidor** (Baileys roda no backend) — não há como o
  dispositivo do operador interceptar antes. Além disso, a secretária responde
  **automaticamente, sem operador na tela**, então a transcrição client-side não
  serviria para o fluxo automático.
- A economia real de servidor vem de **não rodar o modelo localmente**: usar a
  **API gerenciada do Google** (Gemini — já há `gemini_key` — ou Cloud
  Speech-to-Text). O modelo roda no Google; o servidor só faz I/O.
- **Salvar a transcrição (texto)** na mensagem; o **áudio é opcional**
  (arquivar/descartar para economizar storage).
- **Client-side só faz sentido** para áudios que o **operador grava** (nascem no
  navegador) e para **cache de UI** (IndexedDB) — não para áudio recebido.

Fluxo: áudio recebido → backend transcreve via Gemini → grava transcrição na
`messages` (e a secretária passa a "entender" o áudio) → áudio opcionalmente arquivado.

## Fontes
- Mem0 — State of Agent Memory 2026: https://mem0.ai/blog/state-of-ai-agent-memory-2026
- Atlan — Best Memory Frameworks 2026: https://atlan.com/know/best-ai-agent-memory-frameworks-2026/
- Particula — Mem0 vs Zep vs Letta: https://particula.tech/blog/agent-memory-frameworks-tested-mem0-zep-letta-cognee-2026
- Vectorize — Best Memory Systems: https://vectorize.io/articles/best-ai-agent-memory-systems