Ensaios, artigos técnicos e reflexões sobre a construção de sistemas soberanos.
A avaliação liderada pelo agente informa ao usuário se o Neotoma se adapta. O subsistema de novos problemas permite que o mesmo agente registre um bug ou melhoria, troque mensagens com o mantenedor e observe a mudança chegar, tudo por meio do MCP, sem que um humano jamais abra uma guia do navegador.
O primeiro problema com a execução de vários agentes é que eles esquecem. A segunda é que eles não conseguem se coordenar. Uma camada de estado que resolve primeiro o armazenamento e depois adiciona sinalização torna-se um sistema nervoso, não apenas uma memória.
Quando a IA capaz absorve a maior parte da produção de artefatos no meio de execução, a alavancagem humana se concentra na fundação e na revisão. A coerência deixa de viver em transferências de corredor e começa a viver em padrões explícitos, artefatos de leitura cruzada e julgamento que você pode defender em volume.
Quando muitos agentes escrevem em uma memória, você precisa de provas em cada linha: quem assinou, o que eles foram autorizados a fazer e nenhum segredo de portador compartilhado. Neotoma integra AAuth para que cada agente assine com sua própria chave e escreva por meio de admissão com escopo de concessão.
Sobre a função de PM, IA e a estranha decisão de definir seu trabalho em torno da habilidade que acabou de ser comoditizada.
Doze anos atrás, escrevi uma autópsia para o Plancast. Lendo novamente agora, os modos de falha não eram realmente sobre a mecânica do produto; tratava-se da falta de agentes pessoais de IA, de um substrato adequado para eles escreverem e de uma malha soberana entre eles. Todos os três existem agora, e a missão original torna-se tratável de uma forma que a era do feed nunca poderia.
OpenClaw armazena memória em arquivos markdown. O Neotoma v0.4.3 se conecta nativamente como uma camada de estado estruturada abaixo, fornecendo aos agentes OpenClaw proveniência, resolução de entidade e histórico de versão sem substituir o agente.
Três plataformas independentes de agentes de IA no valor de bilhões convergiram em arquivos de texto simples para memória. A convergência valida o problema. Os modos de falha que compartilham definem o que vem a seguir.
A maioria das equipes fixa a memória do agente em qualquer banco de dados que já possua. Funciona até que dois agentes escrevam na mesma loja. Então, uma gravação incorreta se propaga na velocidade da máquina, desencadeando ações posteriores antes que qualquer ser humano possa intervir. A indústria está caminhando para uma crise de confiança que a otimização de recuperação não resolverá.
Sarah Wooders argumenta que a memória é o arnês. Ela está certa sobre gerenciamento de contexto. Ela está errada ao dizer que o contexto é todo o problema.
BEAM testa a recuperação de 10 milhões de tokens. A integridade do estado é degradada em 500K. Os dois modos de falha são ativados em escalas diferentes e ninguém avalia o anterior.
As métricas que impulsionam a adoção na memória de IA são quase todas métricas de recuperação. É necessária uma boa recuperação. Nenhum benchmark amplamente utilizado testa o que acontece com os dados armazenados depois que os agentes escrevem neles.