Elite Longterm Memory

• Você perde contexto no meio da sessão — o protocolo WAL (Write-Ahead Log) garante que o estado seja gravado antes de o agente responder, de modo que compactações e falhas não possam apagar o que importa.
• Você trabalha em projetos de longa duração ou com múltiplas sessões — o MEMORY.md curado + os logs diários oferecem ao agente e ao humano um registro durável e legível de decisões.
• Seus agentes repetem erros ou esquecem preferências — o Mem0 extrai fatos automaticamente das conversas e os deduplica, reduzindo o uso de tokens em ~80% em comparação com o histórico bruto.
• Você executa sub-agentes ou fluxos de trabalho paralelos — a arquitetura em camadas permite que você passe contexto estruturado via git-notes e busca semântica, em vez de reexplicar tudo.

• Você precisa de uma tarefa pontual, de sessão única — a configuração completa de 5 camadas adiciona uma sobrecarga que não se justifica para scripts descartáveis ou tarefas curtas.
• Você não está usando uma chave de LLM compatível com OpenAI — a busca semântica por vetores (LanceDB) e a integração com o Mem0 exigem OPENAI_API_KEY; sem ela, a skill Elite Longterm Memory não atingirá todo o seu potencial.

O estado é gravado em SESSION-STATE.md antes de o agente responder, não depois. Isso evita a perda de contexto durante compactações, falhas ou interrupções no meio da conversa — uma garantia que abordagens de memória ingênuas não conseguem oferecer.

Todas as memórias são indexadas em um banco de dados vetorial LanceDB local. A recuperação automática injeta o contexto anterior mais relevante em cada resposta, e os comandos manuais memory_store / memory_recall permitem consultar ou filtrar por categoria e pontuação de importância.

Decisões estruturadas, aprendizados e contexto com reconhecimento de branches são armazenados como git notes — silenciosos, com controle de versão e exportáveis como JSON. Eles persistem permanentemente junto ao histórico do seu repositório.

O Mem0 extrai automaticamente fatos, preferências e decisões do histórico bruto de conversas, remove duplicatas e disponibiliza memórias relevantes sob demanda. Isso elimina a necessidade de transmitir o histórico completo do chat e reduz o consumo de tokens em até 80%.

Opcionalmente, sincronize sua base de conhecimento com o SuperMemory para acesso entre dispositivos e consultas em linguagem natural do contexto armazenado. Requer uma SUPERMEMORY_API_KEY.

Um arquivo raiz MEMORY.md e logs diários datados em memory/YYYY-MM-DD.md fornecem tanto ao agente quanto ao desenvolvedor um registro claro e navegável do que foi decidido, aprendido e memorizado — sem necessidade de banco de dados opaco.

À medida que o projeto evolui ao longo de dias ou semanas, o agente registra decisões técnicas (por exemplo, "Usar Tailwind, não CSS puro") em git-notes e SESSION-STATE.md. A cada nova sessão, ele lê o contexto anterior automaticamente, então nunca mais pergunta qual framework você está usando.

Quando a janela de contexto enche e o agente compacta, o SESSION-STATE.md funciona como uma RAM quente que sobrevive ao reset. O protocolo WAL garante que tudo o que foi dito na última troca já esteja persistido antes que a compactação ocorra.

O contexto armazenado no git-notes e no LanceDB pode ser consultado por qualquer sub-agente gerado no início de uma tarefa, de modo que agentes paralelos compartilham as mesmas decisões e preferências sem necessidade de repassar instruções manualmente.

Preferências do usuário, prazos recorrentes e erros corrigidos são extraídos automaticamente pelo Mem0 e armazenados entre sessões. O agente constrói um modelo preciso e sem duplicações do usuário ao longo do tempo, sem aumentar o prompt.