Elastic abre código Atlas, sistema de memória de agente com abordagem de ciência cognitiva para contexto de longo prazo

Elastic lançou Atlas, um sistema de memória de agente de código aberto construido no Elasticsearch que aborda o problema de memória de longo prazo em IA agentic. Em vez de tentar ajustar anos de histórico de interação em uma janela de contexto fixa, Atlas mantém três tipos de memória fundamentada em ciência cognitiva: episódica (o que aconteceu), semântica (o que é verdadeiro) e processual (o que funciona). O sistema se integra com agentes via Model Context Protocol (MCP) e garante isolamento de memória por usuário.

Atlas armazena memórias episódicas das entradas de usuário com decaimento natural, consolidando algumas em fatos semânticos duráveis via revisão LLM. Novas memórias semânticas são armazenadas com evidência de apoio e fatos anteriores que elas superam. A memória processual é mantida como playbooks (sequências de resolução de problemas passo a passo) com contadores de sucesso/fracasso para enviesar a recuperação em direção a soluções de melhor desempenho. O sistema recupera memórias usando uma abordagem híbr ida: Reciprocal Rank Fusion sobre busca léxica BM25 e busca semântica Jina v5, com resultados re-ordenados via cross-encoder, tudo com segurança no nível de documento garantindo que consultas apenas tragam memórias pertencentes ao usuário.

Para construtores de agentes, Atlas aborda um problema crítico de escala: o context window stuffing se desintegra em custo, latência e o efeito 'perdido no meio' onde modelos ignoram fatos longe das bordas do prompt. Ao separar memória persistente de longo prazo do contexto por interação, agentes podem manter raciocínio coerente e multi-turno ao longo de anos de interação sem inchanar contagem de tokens por solicitação. O lançamento de código aberto com integração MCP torna-o reutilizável em estruturas de agente.