Ancoragem Semântica na Memória Agente: Aproveitando Estruturas Linguísticas para Contexto Conversacional Persistente

Grandes Modelos de Linguagem (LLMs) demonstraram fluência impressionante e competência em tarefas em ambientes conversacionais. No entanto, sua eficácia em interações multi-sessão e de longo prazo é dificultada pela persistência limitada da memória. Sistemas típicos de geração aumentada por recuperação (RAG) armazenam o histórico do diálogo como vetores densos, que capturam similaridade semântica, mas negligenciam estruturas linguísticas mais detalhadas, como dependências sintáticas, relações discursivas e vínculos de correferência. Propomos a Ancoragem Semântica, uma arquitetura híbrida de memória agente que enriquece o armazenamento baseado em vetores com pistas linguísticas explícitas para melhorar a recuperação de trocas contextuais e detalhadas. Nossa abordagem combina análise de dependência, marcação de relações discursivas e resolução de correferência para criar entradas de memória estruturadas. Experimentos em conjuntos de dados adaptados de diálogos de longo prazo mostram que a ancoragem semântica melhora a recuperação fática e a coerência discursiva em até 18% sobre fortes bases RAG. Conduzimos ainda estudos de ablação, avaliações humanas e análises de erros para avaliar robustez e interpretabilidade.