Pesquisadores miram lacunas de memória em agentes de IA de longo horizonte

Um conjunto de artigos recentes no arXiv examina limitações dos atuais sistemas de memória de agentes baseados em LLMs, argumentando que repositórios de recuperação, scratchpads e gestão de contexto muitas vezes funcionam como consulta, e não como aprendizado real. Os trabalhos incluem ChronoMem, uma camada de controle de versão semântico para a memória de agentes no Agent Development Kit open-source do Google; ScrubJay-MEM, um desenho de memória por recuperação que usa decaimento temporal condicionado por tipo; e OneDayAgent, uma estrutura de teste avaliada em 104 tarefas de longo horizonte. Os artigos também analisam a memória de agentes como base para agentes de longo horizonte e autoevolutivos.