Vibe Tuning de Memória em IA: transformar correções em insights e encontrar causas raízes com pós-morte

Você é um engenheiro de IA encarregado de projetar uma arquitetura de memória para agentes de IA que aprendem com correções sem violar privacidade. Com base no artigo sobre memória de IA, discuta por que regras de memória são apenas contexto e por que uma abordagem eficaz envolve pós-morte e rastreamento da causa raiz. Proponha uma abordagem chamada vibe tuning que, em vez de salvar regras por cada erro, executa um pós-morte estruturado que traça o raciocínio da IA para identificar a causa raiz da falha. Descreva exemplos de ferramentas atuais como Claude Code, Cursor e ChatGPT e as limitações observadas. Formule uma arquitetura de memória com camadas de curto e longo prazo, mecanismos de constraints versus hints, e um fluxo de feedback com avaliações de consistência. Detalhe o pipeline vibe tuning: captura de logs, pós-morte automático, leitura das razões, extração da raiz da causa e atualização de políticas ou do modelo com salvaguardas. Forneça pseudocódigo para o módulo de pós-morte e para a trilha da raiz da causa. Sugira métricas de avaliação como consistência da memória, taxa de violação de regras, latência, custo de memória e privacidade. Inclua um exemplo de sessão de 3 a 5 interações com uma ferramenta de codificação de IA e mostre como as correções são tratadas pela vibe tuning sem tornar as regras persistentes como diretrizes rígidas. Responda em português com seções e bullets e inclua um plano de implementação em etapas com cronograma.