Graph-MIND: memória local que zera custo de token

Memória para agentes de código virou meu gargalo silencioso. Na segunda eu explico para um agente que o serviço de billing usa Postgres por causa de uma trava de idempotência, na quarta abro outra sessão com outro modelo e ele sugere MongoDB como se nada tivesse sido decidido. O Graph-MIND entra exatamente nesse buraco, com a promessa de memória persistente e local que atravessa sessões, ferramentas e modelos, sem gastar um token de LLM para salvar nada. A ideia é simples e incômoda para quem vende memória como serviço na nuvem: salvar é só uma escrita no banco, buscar é local, e o modelo que você já usa faz o raciocínio.

O fato sem enfeite

O Graph-MIND é um projeto open source que cria uma memória compartilhada para coding agents no seu próprio PC. Ele foi apresentado com 88,8% no LongMemEval, que é um benchmark chato e bom para medir se o agente lembra de fatos e decisões ao longo de conversas longas. O número chama atenção porque ele diz ter chegado lá sem usar LLM para resumir, extrair ou consolidar nada na hora de salvar. A instalação tenta ser trivial, com script para Windows, macOS e Linux, ou via pip, e depois conecta via MCP os clientes mais usados como Claude Code, Codex, Cursor, Gemini CLI e OpenCode. Depois disso você trabalha normal, abre uma nova sessão em outro app ou outro modelo e pergunta coisas como 'onde paramos ontem', 'qual banco escolhemos para o billing e por quê' ou 'o que você mudou no middleware de auth semana passada'.

Na prática, o fluxo é esse: você decide algo com um agente na segunda, pergunta com outro na quarta, e ele sabe. Nada para marcar ou salvar na mão, porque cada turno já foi armazenado e o agente puxa de volta só os trechos que respondem à pergunta. Tem suporte a inglês e coreano, máscara de segredos antes de armazenar, e a proposta de não ter conta, nuvem própria ou telemetria. Também dá para compartilhar memória entre PCs com comando de pasta via TLS, com criptografia antes de sair da máquina, e exportar ou importar memória como arquivo, inclusive recortada por projeto. Para times, a ideia é compartilhar só decisões e progresso do projeto, sem vazar memória pessoal, mantendo os arquivos em Slack e GitHub.

Como funciona na visão de quem opera

Pensa na arquitetura em três peças. Primeiro, a captura roda em background como um serviço, recebendo transcrições via hooks, plugin ou integração direta com o cliente MCP. Cada turno é gravado verbatim, palavra por palavra, com máscara de segredos aplicada na entrada. Isso é importante porque elimina a etapa onde a maioria dos sistemas de memória erra: o resumo com LLM que inventa, comprime demais ou perde o detalhe que importava, tipo o motivo exato de uma escolha de banco ou um edge case no auth. Aqui, pelo que o projeto descreve, salvar custa zero token porque não tem inferência, é só escrita em banco local.

Segundo, a busca é toda local e combina três sinais: busca por palavras, busca por significado com um modelo multilíngue de embeddings em versão leve, mpnet quantizado em int8 rodando em ONNX sem GPU, e o fator tempo de quando aquilo foi dito. Quando o agente recebe uma pergunta que depende do passado, ele não recebe o histórico inteiro, recebe um pacote curto com os turnos fonte, algo na casa de 3 mil tokens. Terceiro, quem pensa é o modelo que você já está usando. O Graph-MIND entrega evidência, não resposta pronta. Isso mantém a latência de escrita quase irrelevante e joga o custo de leitura para a janela de contexto que você já pagaria de qualquer forma.

Custo e latência

Para quem opera, a conta fica mais previsível. Sem chamada de LLM no write, você tira da fatura aquele imposto invisível de sumarização a cada interação, que em repositórios ativos vira milhares de tokens por dia. O custo passa a ser disco local, um pouco de CPU para embeddings no momento da busca e aqueles 3 mil tokens de contexto quando há recuperação. A latência provável é baixa, busca vetorial pequena mais BM25 cabe bem em PC comum, mas tende a degradar se o banco crescer sem limite por meses. Minha inferência técnica, sem tratar como certeza, é que eles usam recorte por projeto e por tempo para manter o recall rápido, e que o recall bom depende muito de como o agente formula a query para o MCP, não só do índice.

O que isso muda na prática

Quem ganha na hora é quem vive trocando de modelo ou ferramenta. Se você usa Claude Code para refatorar, Cursor para navegar e um CLI para rodar script rápido, hoje cada um vive numa bolha. Com uma memória única no PC, o contexto de decisão viaja junto e você para de reexplicar arquitetura, débito técnico e preferências. Quem perde é o provedor de memória em nuvem que cobrava por armazenamento mais inferência, e também aquele fluxo artesanal de jogar CONTEXT.md gigante em todo prompt. Dá para enxugar prompt de sistema, tirar resumo manual e confiar menos em memória de sessão improvisada.

• Instale em uma máquina de teste, conecte dois clientes diferentes e trabalhe por dois dias no mesmo projeto antes de julgar.
• Crie um ritual de verificação: pergunte 'por que escolhemos X' e confira se a resposta cita o turno original, não um resumo genérico.
• Separe memória pessoal de memória de projeto desde o dia um, usando export por pasta para times e mantendo o resto só local.

A ação prática que eu faria agora é simples: rode por uma semana com um projeto real, force perguntas temporais como 'o que mudamos na semana passada' e meça quantas vezes precisou corrigir o agente. Se a taxa de reexplicação cair sem explodir o contexto, vale manter. E ative a regra de deletar segredos digitados por engano, testando com um token falso para ver se a remoção propaga mesmo em todo o banco.

A tensão que fica

Aqui entra a dúvida real: guardar tudo verbatim escala ou só move o gargalo da escrita para a leitura. Verbatim não inventa nada na entrada, ótimo, mas cobra na hora de recuperar, porque o sistema precisa achar a agulha em meses de conversa com vocabulário parecido. Busca híbrida ajuda, embeddings leves ajudam, tempo ajuda, mas em monorepo grande com três serviços discutindo Postgres, filas e auth ao mesmo tempo, a ambiguidade cresce. Será que 88,8% no LongMemEval se mantém quando o banco tem 200 mil turnos e não 2 mil. E tem o lado operacional que ninguém posta no anúncio: disco cresce, índice precisa de manutenção, sincronia entre PCs via rede de escritório ou Tailscale exige cuidado com conflito, e máscara de segredo é probabilística por natureza, sempre pode deixar passar um formato novo. Local e sem telemetria é ótimo para privacidade, mas também significa que se corromper, quem recupera é você.

Veredito

O Graph-MIND acerta onde dói: tira o LLM do caminho de salvar e devolve memória como infraestrutura local, barata e portável entre agentes. Se o recall se sustentar no seu repositório real, ele vira peça base. A pergunta que fica é direta: quantos meses de conversa o seu PC aguenta lembrar antes de começar a lembrar errado.