Radar ·
Recuris propõe memória de agentes sem alterar o modelo
Em publicação de 26 de agosto de 2026, a Recuris descreve dois loops para agentes de longo horizonte: memórias de trabalho e experienciais guiam tarefas, e um meta-agente fixo analisa traces e propõe reparos direcionados.
Em 26 de agosto de 2026, a Recuris apresentou uma abordagem para agentes de longo horizonte que usa dois loops: memórias de trabalho e experienciais orientam a execução de tarefas; um meta-agente fixo analisa traces de execução e propõe reparos direcionados na memória. A proposta busca melhorar o comportamento do agente com memória e feedback de execução, sem alterar os pesos do modelo.
O relato não detalha resultados quantitativos. Para consultar e verificar a abordagem, confira a publicação original da Recuris e procure nela os detalhes dos loops, dos traces analisados e dos reparos propostos; não presuma que a descrição, por si só, demonstre ganhos de desempenho. Se usar IA para estudar ou aplicar o material, evite enviar dados pessoais ou informações confidenciais.
Fonte original: Recuris evolui a memória de agentes com um LLM congelado