Pesquisadores do Mankind Research Labs na África do Sul publicaram Blast Radius em 7 de agosto de 2026, uma camada de gerenciamento de memória preditiva que reduz o consumo de tokens em loops de codificação agentic. Testado em sete modelos do OpenAI, reduziu o uso de tokens em 17–26%, alcançou a menor taxa de estouro de contexto entre as políticas de comparação e manteve reversibilidade byte-exata—toda evicção podia ser desfeita sem perda de informação.
O problema central é estrutural. Cada turno em um loop agentic resubmete a conversa inteira: prompt do sistema, esquemas de ferramentas, leituras de arquivo anteriores, diffs, stack traces. O custo cresce com a soma de todo contexto anterior. Um arquivo despejado completamente para corrigir um erro de digitação no turno 3 ainda ocupa 2.000 tokens no turno 40, muito tempo depois daquela sub-tarefa encerrada. Os autores MY Pitsane e Hope Mogale chamam isso de "entropia epistêmica pura"—largura de banda consumida por ruído em vez de sinal. O modelo paga custos atenção-quadrática e custo-linear em dólar para processar contexto que não pode mais afetar a próxima ação.
Estratégias existentes trocam um custo recuperável (tokens) por um irrecuperável (informação). A truncagem de janela deslizante descarta indiscriminadamente os tokens mais antigos. A sumarização comprime o contexto através de uma segunda chamada de modelo—ela mesma falível—e não pode ser revertida se descartar algo que importa depois. Blast Radius estima, antes de um turno executar, o quão longe esse turno alcançará, então usa essa estimativa para autorizar uma evicção com desvantagem limitada.
A arquitetura usa dois canais. O canal de contexto prevê o incremento do conjunto de trabalho retido, converte isso em um orçamento de evicção e aplica uma política de mochila para selecionar qual contexto morto arquivar. O canal de código calcula o conjunto ponderado por rotatividade de arquivos e símbolos que os edits do turno tocarão através do gráfico de dependência—a superfície de impacto estrutural—e pode fazer checkpoint antes que os changesets cresçam demais para revisar. Ambos respondem: o que está causalmente acoplado ao que estou prestes a fazer?
A evicção é tratada por NECROPHORESIS. Em vez de descartar, arquiva o contexto verbatim e o substitui na janela com um esqueleto. Se errado, a restauração custa O(1)·κ—um único passo de exumação com custo fixo por-token. Recurring Dead Matter (RDM) lida com recorrência: identifica transcrições quase-idênticas injetadas repetidamente e enterra classes inteiras usando a regra de Laplace. Em execuções de teste, 378 de 450 corpos enterrados (84%) foram classificados como matéria morta recorrente, e zero foram recuperados—toda evicção se manteve.
Blast Radius opera sob o gate HCRC, que controla admissão. A divisão de trabalho é intencional: HCRC lida com controle de admissão, Blast Radius lida com seleção de evicção. A estrutura teórico-informacional conecta entropia de contexto à probabilidade de ressurreição, argumentando que esquecimento reversível reduz entropia epistêmica sem a finalidade que torna abordagens com perdas arriscadas.
O trabalho é um relatório de progresso em direção à Algosophy, um programa de pesquisa no Mankind Research Labs para tornar a codificação agentic reutilizável e sustentável. Nenhum lançamento de código aberto é anunciado. O paper fornece apenas reduções de contagem de tokens, não custos em dólares. Equipes precisarão mapear a redução de 17–26% para seu próprio preço por-token e volume de chamadas.
Conclusão: evicção reversível com um estimador de alcance de dois canais é mais defensável que truncagem ou sumarização—mas a figura de 17–26% permanece como um benchmark para validar contra sua própria profundidade de loop e mix de modelos até que o código seja lançado.