1. O Paradoxo da Amnésia e dos Fatos Obsoletos no RAG Agêntico
A maioria dos agentes de IA em produção não falha porque o modelo fundacional não sabe raciocinar. Eles falham porque o substrato de memória não consegue distinguir verdade histórica de verdade vigente, nem compactar observações de longo horizonte sem apagar silenciosamente a proveniência.
Quando equipes acoplam um banco vetorial plano a um loop autônomo, três modos de falha emergem sob carga real:
- Sobrescrita Semântica Sem Versionamento: Se uma política de deploy muda de
region: us-east-1pararegion: eu-central-1, ambos os embeddings compartilham 92% de similaridade de cosseno com a consulta. O retriever retorna os dois chunks e o LLM joga uma moeda. - Deriva por Sumarização Destrutiva: Compactações ingênuas em janela deslizante pedem ao LLM que resuma turnos antigos. Cada resumo recursivo descarta restrições de borda, hashes SHA exatos e limiares numéricos — gerando confiança alucinada onde a precisão foi perdida.
- Contaminação Cross-Tenant: Namespaces compartilhados de embeddings e caches sem particionamento arriscam vazar contexto de entidades entre tenants ou workspaces sempre que filtros de metadados falham.
BenniAlencar/agent-memory-mesh com compactação preservadora de ponteiros no BenniAlencar/agent-deep-research, agentes ganham memória auditável e contexto de longo horizonte sem perda.
2. Valid-Time vs. Transaction-Time: O Modelo de Aresta Bi-Temporal
Em bancos temporais clássicos (SQL:2011 e ledgers contábeis imutáveis), sobrescrever uma linha destrói a auditabilidade. O agent-memory-mesh modela cada fato como uma aresta bi-temporal imutável com dois eixos ortogonais de tempo:
- Valid-Time (
t_valid_start,t_valid_end): O intervalo em que a asserção é verdadeira no mundo externo (por exemplo, quando um contrato esteve ativo ou uma feature flag foi habilitada). - Transaction-Time (
t_tx_recorded,t_tx_superseded): O intervalo em que o ledger de memória do agente acreditava que aquela asserção era vigente, antes que uma observação mais nova a substituísse.
Como arestas substituídas são encerradas em vez de deletadas, um operador pode executar duas consultas fundamentalmente distintas no mesmo grafo: "Qual é o rate limit atual do cliente?" (t_tx_superseded IS NULL) e "Em qual rate limit o agente acreditava quando disparou o incidente na terça-feira?" (AS OF t_tx = Terça-feira).
3. Triplas Tipadas, Proveniência e Isolamento Estrito por Tenant
Chunks de texto não estruturados não conseguem impor invariantes de schema. Toda asserção persistida no agent-memory-mesh é normalizada em uma Tripla Tipada vinculada a uma partição explícita tenant_id:
from dataclasses import dataclass
from typing import Optional
@dataclass(frozen=True)
class BiTemporalTriple:
tenant_id: str # Chave rígida de partição no grafo + índice BM25
subject_id: str # Entidade tipada, ex: "service:billing-api"
subject_type: str # "service" | "user" | "policy" | "artifact"
predicate: str # Relação controlada, ex: "deployed_in"
object_id: str # ex: "region:eu-central-1"
confidence: float # Calibrado [0.0, 1.0]
source_digest: str # SHA-256 do payload bruto de evidência
t_valid_start: str # ISO-8601 UTC
t_valid_end: Optional[str]
t_tx_recorded: str # ISO-8601 UTC
t_tx_superseded: Optional[str] = None
Observe duas propriedades críticas de engenharia:
- Isolamento de Tenant na Camada de Storage: Toda busca de adjacência no grafo e varredura no índice léxico exige
tenant_idcomo prefixo obrigatório. Travessias multi-hop não conseguem cruzar fronteiras de tenant mesmo que dois clientes usem nomes externos idênticos comoservice:auth-gateway. - Vínculo Imutável de Proveniência: Cada tripla armazena
source_digest, ancorando a afirmação extraída à saída exata da ferramenta, trecho de documento ou payload de API que a justificou.
4. Recuperação Híbrida: Precisão Léxica BM25 + Travessia Multi-Hop no Grafo
Busca vetorial pura falha notoriamente com identificadores exatos — códigos de erro como ERR_TLS_CERT_ALTNAME_INVALID, IDs de tickets ou símbolos de função. Por outro lado, travessia pura em grafo exige um nó inicial exato.
O agent-memory-mesh resolve esse dilema com um pipeline híbrido em dois estágios fundido via Reciprocal Rank Fusion (RRF):
- Estágio 1 — Ranqueamento Esparso BM25 por Tenant: Casa tokens exatos, símbolos e termos de domínio contra triplas ativas e cabeçalhos de evidência em menos de um milissegundo.
- Estágio 2 — Expansão k-Hop Bi-Temporal: Expande a partir das entidades âncora de maior score ao longo de arestas ativas (
t_tx_superseded IS NULL), coletando dependências causais, políticas proprietárias e transições recentes de estado. - Estágio 3 — Re-ranqueamento RRF + Decaimento Temporal: Combina ranking léxico, centralidade no grafo e recência de
valid-timeem uma fatia determinística limitada pelo orçamento de tokens do chamador.
5. Compressão de Contexto Sem Perda no agent-deep-research
Fluxos de pesquisa profunda e engenharia multi-step acumulam facilmente mais de 150.000 tokens entre páginas web, diffs de código e saídas de ferramentas. Re-injetar payloads brutos em cada turno explode latência e custo, enquanto resumos com perda destroem citações e números exatos.
O BenniAlencar/agent-deep-research integra-se ao agent-memory-mesh para implementar Compressão de Contexto Sem Perda:
- Spillover Endereçado por Conteúdo: Payloads brutos que excedem um limiar recebem hash (SHA-256), são persistidos no store local de artefatos e substituídos no prompt ativo por um Semantic Stub compacto contendo as triplas tipadas extraídas e o ponteiro de conteúdo.
- Desreferenciação Zero-Loss: Se uma etapa de síntese ou verificação precisar da tabela literal, stack trace ou citação exata, o agente executa uma chamada direcionada
deref(source_digest, byte_range)— hidratando apenas o trecho necessário. - Políticas de Retenção Auditáveis: Evidências expiradas ou substituídas podem ser coletadas por TTL ou regra de compliance preservando tombstones criptográficos no log de auditoria.
6. Comparativo Arquitetural: Substratos de Memória para Agentes
| Dimensão | Janela Deslizante + Resumo | RAG Vetorial Plano | agent-memory-mesh + deep-research |
|---|---|---|---|
| Semântica Temporal | Nenhuma (sobrescrita cronológica) | Chunks sem versionamento | Bi-Temporal (Valid + Transaction Time) |
| Mutação de Fatos | Esquece estado anterior em silêncio | Chunks antigos competem com novos | Encerra aresta; preserva trilha de auditoria |
| Recall de Símbolos / IDs | Perdido após compactação | Fraco (borramento de embeddings) | Híbrido BM25 + Grafo via RRF |
| Compressão de Contexto | Paráfrase com perda via LLM | Truncamento top-k de chunks | Compactação Sem Perda com Ponteiros SHA-256 |
| Isolamento Multi-Tenant | Apenas por sessão | Pós-filtro de metadados (frágil) | Particionamento Obrigatório por Prefixo |
Construa Memória Auditável e Sem Perda
Explore as implementações open source que alimentam o Benni OS: inspecione o motor de grafo bi-temporal em agent-memory-mesh e a compactação sem perda em agent-deep-research.
Explorar agent-memory-mesh → Explorar agent-deep-research →Perguntas Frequentes
Valid-time registra quando um fato foi verdadeiro no mundo externo (por exemplo, o plano de um cliente ou a versão de uma API entre 1º de março e 15 de maio). Transaction-time registra quando o agente gravou ou substituiu esse fato em seu ledger de memória. Separar os dois eixos permite responder tanto "o que é verdade agora?" quanto "no que o agente acreditava no instante T da auditoria?" sem sobrescrever o histórico.agent-deep-research precisa de números exatos, citações ou trechos literais, ela resolve o ponteiro sob demanda mantendo a janela ativa enxuta.agent-memory-mesh é particionada por uma chave explícita tenant_id. Travessias cross-tenant são impossíveis nas camadas de armazenamento e planejamento de consulta, evitando vazamento de contexto entre workspaces ou clientes.