mnemos: Arquiteturas de Memória Biomiméticas para Agentes de Modelos de Linguagem Grandes

Os sistemas de memória atuais para agentes LLM dependem de armazenamentos vetoriais apenas aditivos que crescem monotonamente, não filtram ruídos na ingestão e recuperam informações apenas pela similaridade semântica — ignorando o estado cognitivo do usuário e a estrutura associativa do conhecimento armazenado. Apresentamos mnemos, uma biblioteca Python de código aberto que implementa cinco mecanismos de memória inspirados em neurociência como módulos compostos: (1) um portão de surpresa baseado na teoria do codificação preditiva que filtra entradas com baixa informação no momento da gravação; (2) RAG mutável que reconsolida memórias na recuperação, solucionando o problema de fatos desatualizados; (3) um roteador afetivo que combina similaridade do estado emocional na pontuação de recuperação; (4) um serviço em segundo plano que consolida interações episódicas em abstrações semânticas; e (5) ativação em propagação sobre um grafo de memória associativa. Fornecemos estudos de ablação demonstrando a contribuição de cada módulo, mostrando que o portão de surpresa reduz ruído armazenado em 40% no limiar padrão, o roteamento afetivo alcança recuperação perfeitamente congruente com estado em ambientes controlados, e a ativação em propagação com decaimento de 20% atinge 4/4 nós em uma cadeia conceitual versus 1/4 com decaimento de 90%. Mnemos é nativo MCP, suporta três backends de armazenamento (em memória, SQLite, Qdrant, neo4j), e inclui um firewall de segurança de memória. Todo o código é licenciado sob MIT e disponível em https://github.com/anthony-maio/mnemos.