Memória Gustativa: Memória de Agente Reversível via Computação Hiperdimensional

TasteBud Memory é um índice de memória reversível para agentes de IA construído sobre computação hiperdimensional / arquiteturas simbólicas vetoriais (Kanerva). Em vez de misturar contribuições de projetos em uma soma irreversível (como misturar tintas), cada projeto recebe um vetor determinístico de 4096 dimensões ±1, e o trabalho de um dia é codificado como uma soma ponderada. Como vetores aleatórios de alta dimensão são quase ortogonais, produtos escalares podem decompor a mistura de volta em seus projetos constituintes — incluindo a detecção de ingredientes desconhecidos.

O Que Faz

• Decodificação sem perdas: Dado o vetor de um dia, recupera exatamente quais projetos contribuíram e suas proporções.
• Recuperação completa: Lista todos os dias que tocaram o projeto X (busca por embedding retorna representantes, não o conjunto completo).
• Rastreamento de origem: Descobre quando um projeto começou, mesmo sob nomes antigos.
• Diferenças de conjunto: O que estava ativo em março mas morto em junho? (impossível com embeddings)
• Detecção de ausência: Quais fluxos de trabalho nunca receberam documentação?
• Detecção de ingrediente desconhecido: Sinaliza quando o trabalho de um dia contém um projeto não no codebook — o movimento do 'paladar do chef'.

Protocolo de Validação

Antes de confiar, testado contra o histórico do próprio autor:

• Congelou um documento de verdade absoluta, teve agentes verificadores adversários que re-derivaram cegamente 31 de 92 dias — pegou 2 erros reais de etiquetagem, 93,5% fiel.
• Reproduziu o histórico com projetos conhecidos deletados do codebook para provar que o detector de ingredientes desconhecidos os teria sinalizado (dias 0–2 nos backtests).
• O histórico real tinha um projeto que rodou 13+ dias antes de receber qualquer documentação — a motivação original.

Limitações Honestas

• A tabela de composição simples faz a maior parte do trabalho de consulta. A camada vetorial ganha seu lugar na decodificação sem perdas, similaridade entre dias, rastreamento de deriva e codificação de tamanho fixo.
• Modelo local (Gemma 26B) falhou no limite de qualidade de etiquetagem (0,74 de concordância vs 0,80 de barreira) — atualmente o fallback alertado, modelo grande em nuvem é o primário noturno.
• Isto é um índice, não um sumarizador. Recupera a lista de ingredientes, não a receita.

Detalhes Técnicos

• ~600 linhas de Node.js sem dependências
• Dois arquivos JSON para persistência
• Licença MIT
• Inclui um servidor MCP para que qualquer plataforma de agente possa usá-lo
• Dados de amostra fictícios para que todos os comandos funcionem imediatamente após o clone

Repositório: github.com/Mikhail-Za/tastebud-memory. O documento de metodologia (kill-gates, protocolo de backtest) está no repositório.