Pesquisadores apresentaram o PsychoAgent, uma arquitetura cognitiva para agentes baseados em modelos de linguagem (LLM) que integra sensibilidade afetiva à memória de longo prazo. Segundo o estudo publicado no arXiv, o sistema separa o armazenamento de fatos e emoções para permitir que a IA recupere experiências passadas com base na relevância emocional e em conflitos não resolvidos, e não apenas por similaridade de tópicos.
Arquitetura de memória e controle executivo
O PsychoAgent utiliza um controlador executivo consciente de conflitos para gerenciar dois fluxos distintos de informação: a memória factual e a memória afetiva. De acordo com o documento técnico do arXiv, as lembranças afetivas passam por um filtro inicial de relevância semântica e, posteriormente, são reclassificadas por sua saliência emocional. Esse processo garante que traços de memória considerados importantes do ponto de vista afetivo entrem no prompt do agente, preservando o ajuste ao tema da conversa.
A estrutura permite que o agente simule processos cognitivos humanos, onde a acessibilidade de uma experiência passada é moldada pelo impacto emocional que ela causou. O arXiv detalha que a arquitetura foi testada em três cenários controlados de conflito, demonstrando que a separação entre fato e afeto auxilia na manutenção da coerência do agente em situações de estresse ou discordância.
Desempenho superior em cenários de conflito
Nos testes realizados, a arquitetura completa do PsychoAgent recuperou memórias críticas para a resolução de conflitos com uma taxa de sucesso de 0.933. Segundo os dados da pesquisa, esse desempenho superou significativamente os modelos de referência, como o RAG (Geração Aumentada por Recuperação) de memória única, que atingiu 0.667, e sistemas de busca semântica-afetiva, que marcaram 0.500. Embora o sistema tenha apresentado um leve custo em termos de similaridade semântica pura, a precisão na identificação de pontos de conflito foi maior.
Para validar os resultados, cinco avaliadores cegos analisaram 27 saídas geradas pelo sistema. Após a padronização das notas, a arquitetura PsychoAgent obteve a média geral mais alta, com um desvio padrão de +0.22. No entanto, o estudo indica que as diferenças corrigidas em comparações pareadas não foram estatisticamente significativas, sugerindo a necessidade de amostras maiores para confirmar a superioridade absoluta da percepção humana sobre os resultados.
Simulação de persistência e recombinação
O estudo também descreve uma simulação ilustrativa de três dias para observar o comportamento do agente ao longo do tempo. Segundo o arXiv, o PsychoAgent demonstrou afeto persistente e a capacidade de realizar a recombinação de memórias de forma offline. Isso significa que o agente pode reavaliar o peso de certas memórias sem intervenção direta imediata, simulando o processamento de informações que ocorre no repouso humano.
A pesquisa aponta que esses mecanismos tornam o processo de recuperação de memória mais inspecionável, permitindo que desenvolvedores entendam por que a IA escolheu determinado tom ou fato em resposta a um conflito. Essa transparência é vista como um avanço para a modelagem de comportamentos mais naturais e previsíveis em agentes autônomos.
O que ainda não foi divulgado
Embora o artigo do arXiv detalhe a performance técnica, não foram fornecidas informações sobre o custo computacional adicional para manter as duas bases de memória simultâneas. O estudo não menciona planos para a implementação comercial dessa arquitetura ou sua compatibilidade com modelos de linguagem específicos além dos testados em laboratório. Também não há dados sobre como o PsychoAgent se comporta em interações de escala massiva com múltiplos usuários simultâneos.
