🧠 A-MEM — Memória agêntica
Paper "A-MEM: Agentic Memory for LLM Agents" (arxiv 2502.12110, 2025) propõe memória onde o próprio agente cura: decide o que vale guardar, comprime o que é redundante, indexa o que pode ser buscado depois. É a evolução natural do Memory Manager.
💡 Problema que A-MEM resolve
- •Context bloat — agente long-running estoura context window.
- •Memory cega — Memory Manager guarda tudo, não destila.
- •Recuperação rasa — busca por chave perde semântica.
💡 Status atual
Codebase: agiresearch/A-mem. Ainda integração opcional ao Memory Manager. Acompanhe se você roda agentes que vivem horas.
📁 LSFS — Semantic file system
Paper "From Commands to Prompts: LLM-based Semantic File System for AIOS" (ICLR 2025, arxiv 2410.11843). Em vez de buscar por path/nome, você consulta arquivos em linguagem natural ("ache o PDF sobre AIOS que recebi semana passada").
📊 Como muda Storage Manager
- Indexação por embeddings de conteúdo
- Tags semânticas automáticas
- Query via prompt em LLM Core
- Compatibilidade com FS tradicional (não substitui, complementa)
💡 Quando ligar LSFS
Storage tem > 1000 documentos e seu agente precisa achar por significado, não por path. Antes disso, FS local é overkill suficiente.
🏪 Agent hub — Cresce com a comunidade
O agent hub é o canal natural de crescimento do ecossistema. Tendência: catalogação por tag, rating dos usuários, benchmark automático para validar qualidade, e descoberta semântica.
📊 Sinais de maturidade
- N de agentes publicados (cresce mensalmente)
- Tagging consistente
- Reviews e ratings ativos
- Benchmark contínuo de qualidade
- Forks e variantes mantidos por terceiros
🦀 Rust rewrite (aios-rs) — Performance no horizonte
A pasta aios-rs/ contém scaffold experimental em Rust. Definições de traits + implementações placeholder de context, memory, storage, tool, scheduler e llm. Não é feature-parity ainda — sinaliza direção de longo prazo: módulos críticos em Rust para performance e segurança.
// aios-rs/src/main.rs — exemplo do README
fn main() -> anyhow::Result<()> {
let llm = std::sync::Arc::new(EchoLLM);
let memory = std::sync::Arc::new(std::sync::Mutex::new(InMemoryMemoryManager::new()));
let storage = std::sync::Arc::new(FsStorageManager::new("/tmp/aios_store"));
let tool = std::sync::Arc::new(NoopToolManager);
let mut scheduler = NoopScheduler::new(llm, memory, storage, tool);
scheduler.start()?;
scheduler.stop()?;
Ok(())
}💡 Em produção?
Ainda não. Use a versão Python para tudo. aios-rs vale acompanhar se você ama Rust ou se está pensando em contribuir com o porting.
🎓 AgentX MOOC — Comunidade acadêmica
A Advanced LLM Agents MOOC da Berkeley RDI é onde o ecossistema acadêmico de agentes se encontra. AIOS foi finalista do AgentX 2025 — a competição da MOOC. Material e vídeos abertos.
📊 O que esperar
- Aulas com autores dos papers
- Cobertura profunda de scheduling, memory, tool-use
- Projetos finais avaliados (AgentX)
- Networking com pesquisadores ativos
🤝 Como contribuir — Sem ser doutor
A comunidade ainda é pequena — toda contribuição visível pesa muito. Você não precisa ser pesquisador para ajudar.
# Formas concretas de contribuir
1. Reportar bug com log completo no GitHub Issues
2. Publicar agente útil no hub (e divulgar)
3. Escrever tutorial em português ou outro idioma
4. Traduzir docs oficiais
5. Reproduzir benchmark do paper e publicar resultados
6. Responder dúvidas no Discord
7. Documentar uma config específica (Docker, K8s)
8. Submeter PR de typo, melhoria de docs ou tests
9. Compartilhar use case real (case study)💡 Este curso conta
Material em português é raro. Compartilhar este curso, sugerir melhorias ou abrir PR no repo deste curso já é contribuir com o ecossistema AIOS.
✅ Resumo do Módulo
Você terminou o curso 🎉
Cobriu fundamentos, arquitetura, instalação, SDK, agentes em produção e computer-use. Próximo passo: rodar o kernel e escrever seu primeiro agente real.