Prompt para explorar memória de agentes com Hindsight e LongMemEval

Contexto: Hindsight é um projeto OSS de memória para agentes que afirma 91,4% no LongMemEval, defendendo que falhas de desempenho em agentes vêm principalmente de desenho de memória e não apenas de limites do modelo, e que memória estruturada supera prompt stuffing ou retrieval ingênuo. Tarefa: Gere um prompt útil e interessante para ferramentas de IA que ajudem a investigar, comparar e projetar sistemas de memória para agentes. Instruções: 1) resuma a abordagem de memória do Hindsight e a defesa da memória estruturada; 2) compare com limitações típicas de modelos (LLMs) e com estratégias baseadas apenas em prompts; 3) descreva uma arquitetura de memória estruturada para agentes com componentes (writer, indexer, retriever, eviction policy, persistence), API base (store, recall, update, delete), esquema de slots/episódico e mecanismos de consistência; 4) proponha um conjunto de experimentos para validar ganhos de memória em workloads reais, definindo métricas (recall@k, coverage, latency, consumo de memória) e cenários de teste; 5) forneça um esqueleto de código Python para um módulo MemoryStore com classes MemoryStore, StructuredMemory e uma API simples (store(key, value), recall(query), update(entry), delete(key)); inclua um exemplo mínimo de uso com um fluxo semelhante a LongMemEval; 6) discuta armadilhas, trade-offs (custo de memória, staleness, coerência entre memória e modelo, overhead de indexação, privacidade/dados); 7) referências e como citá-las, incluindo links: VentureBeat article (link fornecido no conteúdo), arXiv:2512.12818, GitHub: vectorize-io/hindsight. Observação: inclua a recomendação de qual ferramenta de IA entre chatgpt, claude, deepseek, gemini, copilot, perplexity seria mais adequada para gerar prompts sobre pesquisas de memória de IA e por quê (ex.: chatgpt pela capacidade de síntese, código e explicação).