O raciocínio de longo horizonte expõe uma fraqueza central nos agentes de IA: as janelas de contexto enchem-se rapidamente e os pipelines de recuperação retornam ruído em vez de sinal. Para resolver isso, pesquisadores da Universidade Nacional de Cingapura desenvolveram o MRAgent, um framework que abandona a estrutura estática "recuperar-então-razão" abordagem. Em vez disso, utiliza um mecanismo que permite a um agente desenvolver dinamicamente a sua memória com base no acúmulo de evidências. Esta reconstrução de memória em várias etapas é integrada ao processo de raciocínio do modelo de linguagem grande (LLM). Embora não seja a única estrutura neste espaço, o MRAgent reduz significativamente o consumo de tokens e os custos de tempo de execução em comparação com outras abordagens de gerenciamento de memória de agente. Os limites da recuperação passiva em tarefas de longo horizonte Em pipelines de recuperação clássicos, os documentos são recuperados por meio de pesquisa vetorial ou travessia de gráfico e repassados ​​a um LLM para raciocínio. Esta abordagem passiva falha porque não consegue combinar o raciocínio com o acesso à memória, criando três grandes gargalos: Esses sistemas não podem revisar sua estratégia de recuperação no meio do raciocínio. Se um agente buscar um documento e descobrir uma pista faltante crucial – uma data ou pessoa específica – ele não terá como emitir uma nova consulta com base nessa descoberta. Pontuações de similaridade fixas e expansões gráficas predefinidas retornam correspondências de nível superficial que inundam a janela de contexto do LLM com ruído irrelevante e raciocínio degradante. Os sistemas atuais dependem fortemente de estruturas pré-construídas, como resultados top-k e funções de relevância estática, limitando a flexibilidade necessária para escalar através de interações de usuário imprevisíveis e de longo horizonte. Os pesquisadores argumentam que, para superar essas limitações, os desenvolvedores devem mudar para um “processo de reconstrução ativa e associativa”, um conceito inspirado na neurociência cognitiva. Sob este paradigma, a recuperação da memória se desenvolve sequencialmente, em vez de operar como uma leitura passiva de um banco de dados estático. O sistema começa com gatilhos pequenos e específicos a partir do prompt do usuário, como o nome de uma pessoa, uma ação ou um lugar. Essas dicas iniciais apontam para a conexão de conceitos ou categorias, em vez de enormes blocos de texto. Seguindo esses passos de metadados, o agente reúne pequenas evidências, uma por uma. Ele usa cada nova informação para orientar sua próxima etapa até reunir com sucesso a história completa e precisa. Como o MRAgent implementa a reconstrução de memória ativa Em vez de ver a memória como um banco de dados estático, o MRAgent (Memory Reasoning Architecture for LLM Agents) a trata como um ambiente interativo. Ao processar uma consulta complexa, o agente usa as habilidades de raciocínio do backbone LLM para explorar vários caminhos de recuperação de candidatos em um gráfico de memória estruturado. Em cada etapa, o LLM avalia as evidências intermediárias que reuniu e as utiliza para otimizar iterativamente sua pesquisa. Infere novas restrições de pesquisa, segue os caminhos com as melhores informações e remove ramificações irrelevantes. Isso permite que o MRAgent reúna informações profundamente enterradas sem preencher o contexto do LLM com ruído. Para tornar esta exploração ativa computacionalmente eficiente e escalável, o framework organiza seu banco de dados usando um mecanismo “Cue-Tag-Content”. Isso opera como um gráfico associativo multicamadas com três tipos de nós: Dicas: palavras-chave refinadas, como entidades ou atributos contextuais extraídos de interações do usuário. Contente: As unidades de memória armazenadas reais. Estes são divididos em camadas multigranulares, como memória episódica para eventos concretos e memória semântica para fatos estáveis ​​e preferências do usuário. Etiquetas: Pontes semânticas que resumem as associações relacionais entre Dicas e Conteúdo específicos. Essa estrutura permite um processo de recuperação em duas etapas altamente eficiente. O LLM primeiro navega das sugestões para as tags candidatas. Como as tags expõem explicitamente as relações semânticas e as associações estruturais dos dados, o agente avalia esses breves resumos para julgar sua relevância. O LLM identifica caminhos de travessia promissores e descarta ramificações irrelevantes antes de gastar computação e tokens de prompt para acessar o conteúdo pesado e detalhado da memória. Por exemplo, um usuário pode perguntar a um agente de IA, "Como Nate usou o prêmio em dinheiro quando ganhou seu terceiro torneio de videogame?" O MRAgent primeiro extrai dicas iniciais refinadas do prompt, como "Nate," "torneio de videogame," e "ganhar." O agente mapeia essas dicas iniciais para o gráfico de memória e analisa os Tags associativos disponíveis conectados a eles. O agente vê tags como "Vitória no Torneio" e "Participação no Torneio.” Como se preocupa apenas com o que a pessoa fez depois de vencer o campeonato, o MRAgent abandona a etiqueta de participação no torneio e busca a etiqueta de vitória. O agente recupera o conteúdo episódico vinculado ao par Cue-Tag escolhido, recuperando três episódios de memória distintos em que Nate venceu um torneio. O MRAgent analisa as três memórias, decide que uma delas em particular é relevante para a consulta e descarta as outras duas. Com essas informações, ele atualiza suas pistas e inicia outra rodada de descobertas e podas. A partir da nova memória episódica recuperada, o agente adiciona “ganhos de torneio” às suas dicas e usa isso para percorrer novos rótulos e se concentrar em novas memórias. Ele repete esse processo até reunir informações suficientes para responder à consulta, que pode ser algo como “Nate economizou o dinheiro”. Desempenho do MRAgent em benchmarks do setor O MRAgent opera junto com várias outras estruturas que abordam a construção de memória agente. As alternativas incluem A-MEM, uma estrutura de memória agente baseada em gráfico, e MemoryOS, uma estrutura de memória hierárquica. Outras estruturas de memória persistente incluem LangMem e Mem0. Os pesquisadores testaram o MRAgent nos benchmarks da indústria LoCoMo e LongMemEval. Eles testam as habilidades dos agentes para resolver dúvidas sobre tarefas e conversas de longo prazo em dezenas de sessões e centenas de diálogos. Os modelos de backbone utilizados foram Gemini 2.5 Flash e Claude Sonnet 4.5. O sistema

As fábricas industrializadas mudaram a forma como o mundo produzia bens físicos: mais produção, custos mais baixos e mais rápido do que qualquer

AI agent orchestration platforms are popping up like weeds these days, but London-based AI transformation startup Mindstone's Rebel might be among the most

While many enterprises have already begun integrating AI-generated images, visuals, graphics and videos into their production workflows — there is also a growing

Alibaba Cloud on Sunday released HappyHorse 1.1, a major upgrade to its AI video generation model that the company says delivers production-ready video

A Anthropic anunciou um novo recurso potencialmente revolucionário para usuários do Claude Code nos planos de assinatura Claude Team e Enterprise: Artefatos. Esta

Your AI agent did exactly what it was designed to do. The framework underneath it just handed an attacker a shell on the

As equipes empresariais continuam observando a mesma coisa acontecer. Um agente de IA demonstra lindamente, vai para a produção e para: ele funciona