GAAMA: Graph Augmented Associative Memory for Agents

Título: GAAMA: Memória Associativa Aumentada por Grafos para Agentes

1. O Problema

Agentes de IA que interagem com usuários em múltiplas sessões requerem uma memória de longo prazo persistente para manter comportamentos coerentes e personalizados. As abordagens atuais enfrentam limitações fundamentais:

• RAG (Geração Aumentada por Recuperação) Plano: Baseia-se apenas na similaridade de vetores (embeddings) para recuperar "chunks" de texto. Isso perde as relações estruturais entre entidades, eventos e fatos, dificultando o raciocínio multi-hop.
• Abordagens de Contexto Total: Inserir todo o histórico de conversas no context window do LLM é proibitivamente caro e não escala.
• Técnicas Baseadas em Grafos Existentes (ex: HippoRAG): Embora utilizem grafos, muitas são centradas em entidades. Em conversas multi-sessão, entidades recorrentes (como nomes de pessoas) acumulam centenas de arestas, criando "hubs" dominantes que diluem a precisão da recuperação ao distribuir uniformemente a massa do PageRank Personalizado (PPR).
• Outras Abordagens (A-Mem, Nemori): Falham em propagar relevância baseada em grafos ou carecem de caminhos associativos mediados por grafos.

2. Metodologia: GAAMA

O GAAMA propõe um sistema de memória associativa que constrói um grafo de conhecimento hierárquico mediado por conceitos através de um pipeline de três etapas e utiliza uma recuperação híbrida.

A. Pipeline de Construção do Grafo (3 Etapas)

O sistema transforma conversas brutas em um grafo estruturado com quatro tipos de nós e cinco tipos de arestas:

1. Preservação de Episódios (Sem LLM): Cada turno de conversa é armazenado verbatim como um nó "Episódio". Isso preserva referências temporais relativas ("ontem", "semana passada") e a ordem sequencial (arestas NEXT).
2. Extração de Fatos e Conceitos (Com LLM):
   • Fatos: Assertivas atômicas extraídas dos episódios (ex: "Melanie pintou um pôr do sol"). São ligados aos episódios de origem (DERIVED_FROM).
   • Conceitos: Rótulos de nível de tópico (ex: pottery_hobby, camping_trip) que capturam o conteúdo temático. Diferente de nomes de pessoas, conceitos são distribuídos e evitam a criação de hubs massivos. Episódios e Fatos são ligados a conceitos (HAS_CONCEPT, ABOUT_CONCEPT).
3. Síntese de Reflexões (Com LLM): Um segundo passo do LLM sintetiza insights de ordem superior a partir de múltiplos fatos (ex: "O usuário prefere atividades ao ar livre nos fins de semana"). Essas reflexões conectam padrões entre sessões (DERIVED_FROM_FACT).

B. Esquema do Grafo

• Nós: Episódio, Fato, Reflexão, Conceito.
• Arestas: NEXT (temporal), DERIVED_FROM (proveniência), DERIVED_FROM_FACT, HAS_CONCEPT, ABOUT_CONCEPT.
• Vantagem: O uso de nós de conceito em vez de entidades cria um grafo mais esparsos (30x menos arestas que designs centrados em entidades), fornecendo caminhos de travessia estrutural não redundantes.

C. Recuperação Híbrida (PPR + Semântica)

A recuperação não depende apenas de similaridade semântica, mas combina-a com a estrutura do grafo:

1. Candidatos Iniciais: Recuperação de $k$ vizinhos mais próximos (KNN) baseada em similaridade de cosseno.
2. Expansão do Grafo: Expansão a partir dos sementes (KNN) para profundidade $d=2$, descobrindo nós estruturalmente conectados que podem não ter alta similaridade semântica direta.
3. PPR Consciente de Tipo de Aresta: Executa Personalized PageRank com pesos baseados no tipo de aresta e amortecimento de hubs (reduz o peso de saída de nós com grau > 50).
4. Pontuação Aditiva: A pontuação final é uma soma ponderada:
   $$score(n) = w_{ppr} \cdot ppr(n) + w_{sim} \cdot sim(n, q)$$
   Configuração padrão: $w_{ppr} = 0.1$ e $w_{sim} = 1.0$. O PPR atua como um "amplificador" estrutural, não substituindo a busca semântica.

3. Contribuições Chave

1. Grafo Mediado por Conceitos: Substitui a abordagem centrada em entidades (propensa a hubs) por uma baseada em conceitos temáticos, permitindo travessias associativas mais eficazes sem diluição de precisão.
2. Hierarquia de Memória de Longo Prazo (LTM): Separa a preservação bruta (episódios), a extração de conhecimento reutilizável (fatos) e a síntese de padrões (reflexões).
3. Recuperação Híbrida Leve: Demonstra que uma pequena ponderação de PPR (0.1) sobre uma busca semântica robusta melhora consistentemente a recuperação sem introduzir ruído, ao contrário de PPRs fortes que podem sobressair a relevância semântica.
4. Orçamento por Tipo de Nó: Mecanismo que impede que episódios (que têm alta similaridade de embedding) dominem o contexto, garantindo que fatos e reflexões também sejam incluídos na geração de respostas.

4. Resultados Experimentais

O sistema foi avaliado no benchmark LoCoMo-10 (1.540 perguntas em 10 conversas multi-sessão).

• Desempenho Geral: O GAAMA alcançou 78,9% de recompensa média, superando:
  • RAG Ajustado (75,0%)
  • HippoRAG (69,9%)
  • Nemori (52,1%)
  • A-Mem (47,2%)
• Análise por Categoria:
  • Multi-hop (+4,7 pp vs RAG): A estrutura de fatos derivados e reflexões permite sintetizar informações de múltiplas sessões.
  • Temporal (+12,9 pp vs RAG): A preservação de episódios verbatim com arestas NEXT e a resolução de referências temporais nos fatos melhoram drasticamente o raciocínio temporal.
  • Single-hop: Desempenho comparável ao RAG (87,2% vs 87,1%), indicando que o grafo não prejudica a recuperação direta.
• Ablação (Semântica vs. PPR): A adição do PPR (com peso 0.1) a um sistema puramente semântico (que já usa o grafo construído) trouxe um ganho adicional de +1,0 pp, confirmando que a travessia do grafo complementa a similaridade de embeddings.

5. Significado e Conclusão

O GAAMA demonstra que a estrutura do grafo é crucial para agentes de IA em conversas longas, mas deve ser projetada cuidadosamente para evitar armadilhas de hubs.

• A construção hierárquica da memória (episódio -> fato -> reflexão) é, por si só, um grande impulsionador de desempenho, superando o RAG plano mesmo sem a travessia de grafos.
• A abordagem mediada por conceitos resolve o problema de escalabilidade e precisão encontrado em grafos centrados em entidades.
• A recuperação híbrida (semântica + PPR leve) oferece o melhor equilíbrio, utilizando a estrutura do grafo para "descobrir" conexões que a similaridade vetorial pura perderia, sem sacrificar a relevância semântica.

O trabalho sugere futuras direções para canonização de conceitos (fundir variantes sinônimas) e gating adaptativo de PPR para lidar com a variância em perguntas de domínio aberto.