Memoria de Papilas Gustativas: Memoria de Agente Reversible mediante Computación Hiperdimensional

TasteBud Memory es un índice de memoria reversible para agentes de IA basado en computación hiperdimensional / arquitecturas simbólicas vectoriales (Kanerva). En lugar de mezclar las contribuciones de los proyectos en una suma irreversible (como mezclar pintura), cada proyecto obtiene un vector determinista de 4096 dimensiones ±1, y el trabajo de un día se codifica como una suma ponderada. Debido a que los vectores aleatorios de alta dimensión son casi ortogonales, los productos punto pueden descomponer la mezcla en sus proyectos constituyentes, incluida la detección de ingredientes desconocidos.

Qué Hace

• Decodificación sin pérdidas: Dado el vector de un día, recupera exactamente qué proyectos contribuyeron y en qué proporciones.
• Recuperación completa: Lista todos los días que tocaron el proyecto X (la búsqueda por incrustaciones devuelve representantes, no el conjunto completo).
• Seguimiento de origen: Encuentra cuándo comenzó un proyecto, incluso con nombres antiguos.
• Diferencias de conjuntos: ¿Qué estuvo activo en marzo pero desapareció en junio? (imposible con incrustaciones)
• Detección de ausencia: ¿Qué flujos de trabajo nunca tuvieron documentación?
• Detección de ingredientes desconocidos: Señala cuando el trabajo de un día contiene un proyecto que no está en el libro de códigos: el movimiento del 'paladar del chef'.

Protocolo de Validación

Antes de confiar, se realizó una prueba retrospectiva contra el historial del propio autor:

• Se congeló un documento de verdad absoluta, se hizo que agentes verificadores adversarios re-derivaran a ciegas 31 de 92 días: detectaron 2 errores reales de etiquetado, 93,5% de fidelidad.
• Se repitió la historia con proyectos conocidos eliminados del libro de códigos para demostrar que el detector de ingredientes desconocidos los habría señalado (días 0-2 en las pruebas retrospectivas).
• La historia real tenía un proyecto que funcionó más de 13 días antes de recibir documentación, la motivación original.

Limitaciones Honestas

• La tabla de composición simple hace la mayor parte del trabajo de consulta. La capa vectorial gana su lugar en la decodificación sin pérdidas, la similitud de días, la detección de deriva y la codificación de tamaño fijo.
• El modelo local (Gemma 26B) no superó el umbral de calidad de etiquetado (0,74 de concordancia frente a 0,80 de barrera); actualmente es el respaldo con alerta, el gran modelo en la nube es el principal nocturno.
• Esto es un índice, no un resumidor. Recupera la lista de ingredientes, no la receta.

Detalles Técnicos

• ~600 líneas de Node.js sin dependencias
• Dos archivos JSON para persistencia
• Licencia MIT
• Incluye un servidor MCP para que cualquier plataforma de agentes pueda usarlo
• Datos de muestra ficticios para que todos los comandos funcionen inmediatamente después del clonado

Repositorio: github.com/Mikhail-Za/tastebud-memory. El documento de metodología (puertas de eliminación, protocolo de prueba retrospectiva) está en el repositorio.