Codex Technomanticus

A-MEM — Zettelkasten dinâmico

Leitura de 7 min

A-MEM — Zettelkasten dinâmico

TL;DR

A-MEM (Agentic Memory) aplica princípios do Zettelkasten de Niklas Luhmann a sistemas de memória para LLM agents. Cada nova memória vira uma “nota” com atributos estruturados (contextual description, keywords, tags); o sistema automaticamente identifica conexões com memórias anteriores e pode atualizar notas antigas — memory evolution — quando um contexto novo chega. A proposta deixa de tratar memória como pilha que cresce e passa a tratá-la como rede que se reorganiza. Aceito em NeurIPS 2025.

Metadados

  • Autores: Wujiang Xu, Zujie Liang, Kai Mei, Hang Gao, Juntao Tan, Yongfeng Zhang
  • Afiliação: Rutgers University (o e-mail de contato do primeiro autor é wujiang.xu@rutgers.edu; o grupo é frequentemente associado ao laboratório AGI Research, da própria Rutgers)
  • Venue: NeurIPS 2025 — Advances in Neural Information Processing Systems
  • arXiv: 2502.12110
  • Código (sistema de memória): github.com/agiresearch/A-mem
  • Código (reprodução dos experimentos do paper): github.com/WujiangXu/AgenticMemory — apontado pelo próprio README do agiresearch como o repositório canônico para reproduzir os resultados

Problema

Sistemas de memória anteriores tratam o histórico do agente de duas formas dominantes, e ambas têm limites claros. A primeira é o memory stream descrito em 17 - Generative Agents: memórias são adicionadas em sequência, recuperadas por uma combinação de recency, importância e similarity, e nunca se reorganizam. A segunda é o RAG vetorial puro discutido em 04 - RAG vs memória de longo prazo e em 05 - Beyond RAG - quando RAG não basta: cada memória vira um vetor isolado em um índice, e a relação entre elas só existe implicitamente, no espaço de embeddings.

O que falta nas duas abordagens é organização emergente. Não há mecanismo para que duas memórias reconheçam uma à outra como parte de um mesmo tópico, nem para que uma memória antiga seja atualizada quando uma observação posterior muda o que ela significa. A-MEM ataca exatamente esse vácuo.

Contribuição

O paper propõe um sistema que combina três ideias:

  1. Estrutura Zettelkasten para cada memória. Em vez de armazenar o conteúdo bruto, o sistema gera, via LLM, uma nota estruturada com atributos: contextual description, keywords, tags, category e timestamp. Isso é diretamente análogo ao formato fichado que Luhmann usava em suas caixas de fichas (Zettelkästen).
  2. Linkagem dinâmica baseada em similarity semântica. Ao inserir uma nota nova, o sistema analisa o conjunto existente, identifica notas relacionadas e cria links explícitos entre elas. A rede de memória cresce como um grafo, não como uma lista.
  3. Memory evolution. Esta é a contribuição mais distinta. Inserir uma nota nova pode disparar atualização das representações de notas antigas — descrição, keywords ou tags são reescritas à luz do novo contexto. A memória deixa de ser append-only e passa a ser revisable.

A combinação dos três permite chamar A-MEM, no vocabulário do paper, de “agentic memory”: uma memória que não só registra, mas se organiza ativamente.

Como funciona

graph LR
    NEW[Nova memória chega] --> EXTRACT[Extract:<br/>desc, keywords, tags]
    EXTRACT --> NOTE[Cria nota estruturada]
    NOTE --> ANALYZE[Analyze:<br/>identifica memórias relacionadas]
    ANALYZE --> LINK[Cria links bidirecionais]
    LINK --> EVOLVE[Evolve:<br/>atualiza notas antigas se relevante]
    EVOLVE --> STORE[Armazena na rede]

Cada nota segue, segundo o repositório de referência, um schema próximo de:

(content, contextual_description, keywords, tags, category,
 timestamp, links_to_other_notes, last_evolved_at)

O fluxo de inserção tem quatro etapas, todas mediadas por LLM:

  • Extract — a partir do conteúdo bruto, o modelo gera descrição contextual, keywords e tags.
  • Analyze — o sistema busca, no índice existente, memórias semanticamente próximas e identifica candidatas a link.
  • Link — links bidirecionais são materializados entre a nova nota e as candidatas selecionadas.
  • Evolve — para cada nota antiga ligada, o modelo decide se há razão para reescrever campos da nota antiga (por exemplo, expandir a descrição ou refinar as tags). É aqui que A-MEM se distingue de tudo que existia antes.

A recuperação, na hora da consulta, combina similarity de embeddings com travessia dos links — semelhante ao que se faz em grafos de conhecimento, mas com a estrutura sendo construída pelo próprio agente em runtime.

Inspiração explícita em Luhmann. O paper cita Niklas Luhmann e o Zettelkasten como referência central. A novidade declarada não é o formato fichado em si — Luhmann já usava algo equivalente em papel —, mas automatizar via LLM o trabalho de linkagem e revisão que ele fazia manualmente, fichinha por fichinha, ao longo de décadas.

Resultados

  • Avaliação em seis foundation models (segundo o paper; a lista exata varia entre famílias open e closed source).
  • Benchmark principal: LoCoMo, com cinco categorias de pergunta — multi-hop, temporal, open-domain, single-hop e adversarial.
  • Os autores reportam ganhos sobre baselines SOTA de memória de agentes nos seis modelos, com vantagem particularmente clara em tarefas de multi-hop reasoning — exatamente o regime em que a estrutura de links bidirecionais ajuda.
  • Números específicos por categoria devem ser consultados diretamente na tabela do paper; aqui mantenho o resumo qualitativo para evitar afirmações que não consegui verificar linha a linha.

Limitações reconhecidas pelos autores

  • Custo de LLM call por inserção. Cada nova memória dispara, no mínimo, três chamadas (extract, analyze, evolve). Em produção isso multiplica custo e latência por turno de conversação.
  • Qualidade dos links depende do modelo de embeddings. Modelos fracos produzem links ruins, e links ruins propagam ruído via evolve.
  • Não trata forgetting explicitamente. O ciclo é add + evolve; não há mecanismo formal para descartar memórias obsoletas, o que pode levar a inchaço da rede em horizontes longos.

Crítica externa

A análise da QvickRead no Medium (“A-MEM: Pros and Cons of a New Memory System for LLM Agents”) sintetiza bem o consenso informal da comunidade:

  • Memory evolution é genuinamente nova. É a peça que faltava na literatura; outros sistemas pré-A-MEM tratavam memória como log imutável.
  • O custo é a maior crítica em produção. Cada interação multiplica chamadas a LLM, e o trade-off “qualidade de organização vs. latência/preço” não é trivial.
  • A inspiração em Luhmann é também um marketing point. Zettelkasten é tema querido em comunidades de PKM (Personal Knowledge Management), o que ajudou o paper a circular muito além do circuito acadêmico estrito.

Por que importa para a trilha

  • A-MEM representa a ala acadêmica do mesmo problema que o LLM Wiki Pattern resolve pragmaticamente. Ambos perguntam “como organizar memória que evolui”, mas chegam por caminhos opostos: research-led, com taxonomia formal e benchmarks, no caso do A-MEM; engineering-led, com arquivos markdown e wikilinks, no caso do gist do Karpathy (06 - O LLM Wiki Pattern (gist do Karpathy)).
  • Linkagem dinâmica e memory evolution já aparecem como ideias emprestadas em sistemas de produção como Mem0 (14 - Mem0 — vetorial + grafo) — o vocabulário do paper rapidamente virou linguagem comum no campo.
  • Para o vault em si, a coincidência com Zettelkasten é instrutiva: a Memória de Agentes inteira é construída como um Zettelkasten humano, e A-MEM mostra como esse mesmo padrão pode ser delegado, em parte, a um agente.

Veja também

Referências

  • Xu, W., Liang, Z., Mei, K., Gao, H., Tan, J., Zhang, Y. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv preprint — https://arxiv.org/abs/2502.12110
  • Repositório do sistema de memória — https://github.com/agiresearch/A-mem
  • Repositório de reprodução dos experimentos — https://github.com/WujiangXu/AgenticMemory (apontado como canônico pelo README do agiresearch)
  • QvickRead, A-MEM: Pros and Cons of a New Memory System for LLM Agents (AdvancedAI, Medium) — análise crítica externa
  • Luhmann, N. — referência conceitual ao método Zettelkasten, citada explicitamente pelos autores

Visão de gráfico

Backlinks