Como o ActionRAG reavalia evidências durante a difusão no grafo de memória de agentes LLM
Foi proposta uma arquitetura de memória em grafo que, na fase de indexação, harmoniza cuidadosamente as entidades e, no momento da consulta, reavalia as relações com base na estrutura local. No MemoryAgentBench, o método alcançou uma precisão média de 55,1 e uma melhoria de 5,4 pontos percentuais face ao melhor método de referência de recuperação, com um custo de síntese reduzido por consulta.
Onde a memória do agente falha
Os autores apontam duas classes de falhas de memória. A primeira está relacionada à indexação. A segunda ocorre durante a recuperação online.
- Erros de indexação podem separar entidades repetidas.
- Os mesmos erros podem combinar entidades diferentes.
- A recuperação online pode tratar as estimativas iniciais de similaridade como definitivas.
- O grafo circundante pode oferecer motivos para rever essas estimativas.
Critério prático: capacidade da memória de rever as estimativas iniciais na etapa da consulta.
Indexação: alinhamento de tipos e resolução de entidades
O pipeline de indexação do ActionRAG executa duas etapas.
- Alinha os rótulos de tipos.
- Aplica uma resolução de entidades em vários níveis.
Essas etapas contribuem para uma indexação cautelosa. Os erros de indexação continuam sendo um risco distinto. Critério prático: presença de alinhamento de tipos e resolução de entidades em vários níveis.
Recuperação na consulta: dois canais e um grafo local
Para cada consulta, o ActionRAG recupera entidades e triplas por dois canais. Esses dados formam um conjunto inicial de evidências e um grafo local limitado.
- Os dois canais de recuperação fornecem entidades e triplas.
- A partir desses dados, forma-se um conjunto inicial de evidências.
- A partir desses dados, forma-se um grafo local limitado.
Critério prático: um grafo local em torno da consulta, em vez de rever toda a memória.
Difusão de evidências com proteção de ligações diretas
A difusão condicionada pela consulta e normalizada pelos destinatários refina as estimativas das triplas. Ela leva em conta a estrutura dos caminhos locais. A revisão baseia-se na proteção de evidências diretas e na recuperação de ligações em falta.
Três mecanismos apoiam esta revisão:
- a proteção dos nós iniciais ajuda a preservar evidências diretas;
- o fluxo penalizado por hubs penaliza o fluxo que passa pelos hubs;
- a materialização de triplas ajuda a recuperar ligações em falta.
Critério prático: preservar evidências diretas durante a difusão.
O que a avaliação no MemoryAgentBench demonstra
O MemoryAgentBench (MAB) avalia quatro aspetos:
- precisão da recuperação;
- resolução de conflitos;
- compreensão de relações de longo alcance;
- aprendizagem durante o teste.
Resultados do ActionRAG no MAB:
| Indicador | Resultado |
|---|---|
| Precisão média em oito colunas com avaliação determinística | 55,1 |
| Vantagem sobre o método de memória de recuperação mais forte como linha de base | 5,4 pontos |
| Custo médio de síntese, considerando o tempo da consulta, nos quatro campos de custo apresentados | baixo |
| Soma dos componentes p99 medidos separadamente no lado da recuperação | 440,7 ms num sistema Apple Silicon de consumo |
Critério prático: contabilizar separadamente a precisão, o custo de síntese e o p99 dos componentes de recuperação.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
A transição para o simplex probabilístico reduz a lacuna modal em modelos multimodais contrastivos
O trabalho arXiv:2610.32890 propõe substituir embeddings esféricos por um simplex probabilístico, adicionando adaptadores softmax leves e a similaridade de Variação Total. Em cinco benchmarks de recuperação, a distância ℓ2 entre centroides de modalidades diferentes diminui 97–99%, mantendo ou melhorando a qualidade da recuperação.
3 novembro 2026
Quinze empresas apoiaram o MDK Tether para automatizar a mineração
Fabricantes de equipamentos, pools e operadores assumiram o desenvolvimento de integrações com o conjunto aberto da Tether para unificar a monitorização e a gestão dos equipamentos; o agente de IA QVAC já funciona com base nele. Ainda não foram publicados dados independentes que confirmem a redução dos custos de eletricidade ou o aumento da eficiência.
2 novembro 2026
Desenvolvimento controlado de agentes LLM em investimentos autónomos: arquitetura multiagente com um perímetro de segurança imutável
O artigo descreve o Steward — um sistema de nove agentes LLM com funções distintas, no qual as decisões de carteira são revistas por um gestor de risco, e as alterações aos prompts só são permitidas através de controlo reversível e da reprodução dos dados registados. A principal conclusão é que um núcleo imutável e procedimentos de auditoria permitem desenvolver os agentes sem lhes dar controlo sobre as regras de risco e a execução de ordens.
1 novembro 2026