MemoryOS: Uma Arquitetura de Memória Episódica Inspirada Neurologicamente para Grandes Modelos de Linguagem

Grandes modelos de linguagem carecem de memória persistente ao longo das conversas. A Geração com Recuperação Aprimorada (RAG) aborda isso parcialmente, mas trata todas as memórias com peso igual, não aplica decaimento ao longo do tempo e recupera por meio de busca de similaridade plana em vez de raciocínio associativo. Apresentamos o MemoryOS, uma arquitetura de memória episódica inspirada neurologicamente que enfrenta essas limitações por meio de quatro componentes: (1) um codificador episódico ponderado por importância usando uma rede neural treinada para pontuar memórias por surpresa e peso emocional, (2) um armazenamento de memória persistente com decaimento baseado na curva de esquecimento de Ebbinghaus, (3) um grafo de memória associativa onde as arestas codificam relações semânticas, de palavras-chave e temporais entre memórias, e (4) um motor de recuperação por caminhada no grafo que atravessa associações em vez de realizar busca vetorial plana. Avaliamos o MemoryOS contra uma linha de base padrão RAG em três perfis simulados de usuário e 15 tipos de consulta. O MemoryOS alcança MRR de 0,7111 versus 0,6667 para RAG, uma melhoria relativa de +6,7%, e vence 5 de 15 consultas individuais em comparação com 2 vitórias do RAG. Demonstração ao vivo: https://memory-os-tau.vercel.app