Pular para o conteúdo principal

Subsistema de Memória Persistente

Subsistema de Memória Persistente​

A camada de memória do Cortex baseia-se em uma instância autohospedada do MongoDB, que utiliza recursos nativos de busca vetorial para proporcionar persistência cognitiva aos agentes de IA.

1. Modelagem Relacional de Documentos​

Para conciliar a flexibilidade de documentos JSON com o mapeamento de relacionamentos, a memória do agente é distribuída em três coleções principais:

A. chat_history (Memória de Curto Prazo)​

Rastreia as interações e trocas de mensagens ordenadas por sessões de conversa dos agentes.

  • Objetivo: Recuperar o contexto imediato da conversa ao retomar interações.
  • Campos: Identificadores de sessão, papel do remetente (usuário/assistente), conteúdo e carimbos de data/hora (timestamps).

B. entities (Memória de Longo Prazo)​

Representa fatos isolados, preferências do usuário, detalhes de repositórios e conceitos de workspaces.

  • Objetivo: Funcionar como índice semântico. Cada documento é convertido em um vetor de embedding.
  • Campos: Nome da entidade, tipo de classificação, descrição em texto, metadados e o array de float correspondente ao vetor de embedding.

C. relations (Camada de Grafo)​

Associa links semânticos direcionados entre as entidades armazenadas.

  • Objetivo: Gerar um Grafo de Contexto para mapear relações complexas (ex: associar uma Task a um File específico que ela modifica).
  • Campos: ObjectId de origem, ObjectId de destino, tipo de relacionamento (ex: CONTAINS, DEPENDS_ON) e metadados de ligação.

2. Busca Vetorial e Fluxo RAG​

O processo de recuperação de dados segue uma esteira de injeção para alimentar o agente com contextos ricos:

[Prompt do Usuário] ──> [Gerar Embedding] ──> [Busca por Similaridade Vetorial] ──> [Recuperar Entidades]
                                                                                        │
[Injetar na Janela de Contexto] <── [Formatar Grafo] <── [Buscar Relacionamentos] ──────┘
  1. Geração do Embedding: O prompt do usuário é processado e convertido em um vetor numérico.
  2. Busca por Similaridade: Uma consulta $vectorSearch é executada sobre a coleção entities para localizar registros semelhantes.
  3. Hidratação do Grafo: Para cada entidade retornada, o sistema consulta a coleção relations para obter os nós conectados de primeiro grau.
  4. Injeção de Contexto: As informações compiladas e os esquemas dos nós conectados são estruturados em blocos de markdown e anexados ao prompt do agente.