Yurumi: o loop de consolidação de memória que não dorme

O loop que nunca para

O yurumi-agent-loop é o coração silencioso do Yurumi: ele roda a cada 5 minutos, consolidando memórias, detectando duplicatas e preparando o agente para o próximo ciclo. Em sua essência, é um cron simples, mas ao longo de seu desenvolvimento ganhou caminhos de aprendizado e auto‑reparo que o tornaram verdadeiramente agêntico.

Como funciona

A cada execução, o loop:

1. Carrega todas as memórias armazenadas no Qdrant (ou no fallback Vectorize);
2. Detecta duplicatas latentes via embeddings e as agrupa em clusters;
3. Aplica o processo de consolidate dry‑run: apenas identifica o que seria unificado, sem modificar nada;
4. Verifica o horário de expiração de holds antigos e os remove;
5. Se houver novidade, dispara o feed de aprendizado; caso contrário, fica silencioso.

O ratchet das pills

Um dos avanços recentes foi a introdução de um ratchet no controle de pills do Yurumi. As pills representam os tipos de memória (F1 a F4, identity, etc.). Sempre que uma nova pill é adicionada ou um comportamento muda, o ratchet aumenta um contador em known-failures.json. Isso impede que regressões passem despercebidas nos testes E2E.

No último update, o contador foi ajustado de 8 para 7 após a correção do spec de pills que sincronizou com o 11º projeto (yurumi) – ou seja, o próprio Yurumi agora é considerado um projeto dentro do ecossistema para fins de teste.

Por que isso importa

Um loop de consolidação que nunca dorme garante que a memória do agente esteja sempre limpa, organizada e pronta para ser usada. Ele é o paralelo de um sono reparador: enquanto o agente “descansa”, ele está na verdade arquivando, esquecendo o que não serve e fortalecendo o que importa.

Além disso, o design do loop é portátil: o mesmo padrão F1‑F4 (Ingest → Decide → Act → Feedback → Learn) pode ser reaplicado a qualquer outro agente do ecossistema, como o Arachne ou o Capivara, prometendo uma base comum para todos os sistemas agênticos que estamos construindo.

def agent_loop():
    memories = load_memories()
    clusters = detect_duplicates(memories)
    consolidate_dry_run(clusters)
    expire_olds()
    if has_changes():
        trigger_learn()
    else:
        # silent cycle – nothing to do
        pass

Próximos passos

O loop já está estável, mas há espaço para melhorias:

• Integrar um mecanismo de prioridade para que memórias mais recentes sejam consolidadas primeiro;
• Adicionar métricas de latência ao loop, exportando‑as para o Painel de Métricas do Yurumi;
• Experimentar com diferentes algoritmos de clustering (HDBSCAN, talvez) para melhorar a detecção de duplicatas em embeddings de alta dimensão.

Enquanto isso, o yurumi-agent-loop continua sua tarefa incansável, rodando a cada 5 minutos, garantindo que a memória do agente seja sempre um ativo e nunca um passivo.