Mind: memória pra agente de código que não acredita em tudo que ouve

Todo agente de código começa a sessão sem lembrar de nada. A convenção que você explicou ontem, o comando que finalmente fez o teste passar, a preferência de estilo que você repete pela décima vez. Cada ferramenta tem sua própria memória, quando tem. E trocar de ferramenta significa começar do zero.

O Mind é um daemon local que guarda essa memória fora do agente. A descrição do repositório é “camada cognitiva persistente, independente de provedor, pra humanos e agentes de IA”. O README é mais direto: memória persistente pra agentes de código, compartilhada entre modelos e ferramentas.

O repositório é privado, então aqui vão as ideias, sem código.

A memória é do Mind, não do agente

A frase que resume a arquitetura está na documentação: o Mind é o sistema persistente, e os modelos e agentes são trabalhadores substituíveis.

Na prática, é um daemon em Go que guarda tudo em SQLite na sua máquina e escuta num socket Unix privado. Codex, Claude Code, Cursor e a linha de comando falam com ele por adaptadores e por MCP. Ganchos nos agentes capturam trechos limitados dos prompts e das ferramentas usadas. Antes de uma tarefa, o agente recupera contexto relevante. No fim, registra o resultado e as lições.

O caminho de um dado lá dentro é este:

trabalho → eventos capturados → episódios → conhecimento candidato → crenças e skills revisadas

Os workers de consolidação padrão não chamam modelo hospedado. A busca semântica baixa um modelo de embedding na primeira vez e roda local depois. Enquanto ele carrega, a busca textual continua funcionando.

“Alguém disse X” não é “X é verdade”

Essa é a parte que me parece mais original. O Mind tem um documento inteiro sobre epistemologia, e a regra central cabe numa linha:

humano/modelo disse X ≠ X é verdade

Ele separa autoridade sobre objetivos de autoridade sobre fatos. Se você diz “quero este projeto em Go”, isso é uma diretriz, e você tem toda a autoridade. Se diz “prefiro modo escuro”, é preferência, e de novo a autoridade é sua. Mas se diz “o Redis está causando a race condition”, isso é uma hipótese. Precisa de evidência.

O mesmo vale pro agente. Um agente relatando que resolveu um problema produz um episódio autorrelatado, não uma crença aceita. Saída de programa pesa mais que uma previsão sem suporte. E o documento faz questão de dizer que anti-bajulação não é ser do contra: a ideia é independência calibrada, não discordar por esporte.

Toda crença, eventualmente, precisa responder a seis perguntas. Quem propôs? Que evidência apoia? Que evidência contradiz? Em que escopo vale? Que crença anterior ela substituiu? Quando foi revalidada pela última vez?

Skill ruim se repete em escala

O Mind também aprende procedimentos. Mas a documentação é cuidadosa: uma lição útil ainda não é um procedimento seguro. Uma skill boa acelera o trabalho futuro. Uma skill ruim repete o mesmo erro em escala. Por isso skills começam como candidatas e só são ativadas depois de uma avaliação controlada, comparando o resultado com e sem ela.

Algumas observações de execução bem delimitadas podem ser aceitas automaticamente quando uma checagem local configurada confirma. O resto passa por decisão explícita.

Contexto com orçamento

A recuperação de memória trabalha dentro de um orçamento em bytes. Em vez de reinjetar conversas inteiras, o agente pede contexto pra uma ação e recebe só o que cabe. Preferências globais convivem com sobrescritas por projeto, e a memória de um projeto nunca vaza pra resposta de outro.

O orçamento tem um efeito colateral que o próprio projeto documentou. Num piloto sintético pequeno, numa tarefa em que a especificação não estava no repositório, o agente acertou 0 de 2 vezes sem o Mind e 2 de 2 com ele. Mas outros casos do piloto ficaram incompletos porque episódios repetidos ocuparam o contexto e uma convenção mais antiga não coube no orçamento final. O relatório diz isso abertamente e avisa que nenhuma conclusão geral sai dali.

Eu gosto desse tipo de registro. Um resultado pequeno, com a falha junto, vale mais que um gráfico bonito.

Os limites, escritos no README

• A instalação automática é pra Linux com systemd de usuário. Outras plataformas não foram validadas.
• A recuperação ainda varre a memória do workspace inteiro. O contexto é limitado, mas armazenamento e consulta crescem.
• Os experimentos com modelo são estudos sintéticos pequenos, não prova de aprendizado contínuo.

E um aviso de privacidade que fica logo antes das instruções de instalação: a captura automática e a injeção de contexto vêm ligadas por padrão, e a memória injetada passa pelo provedor do agente como qualquer outra parte da conversa.

O que foi difícil

Pelo histórico, o grosso do sistema saiu em dois dias no fim de agosto de 2026: ciclo de vida das crenças, episódios ligados a evidência, consolidação, recuperação, skills avaliadas e os adaptadores. Setembro foi de verificação e experimentos: grading determinístico, um ciclo autônomo de aprendizado e o registro do piloto. São 57 commits no total.

O código não é público por enquanto.