LCM: Como IAs mantêm memória sem perder nada

Toda IA tem uma 'janela de contexto' — o máximo de texto que ela consegue 'ver' de uma vez. O Claude, por exemplo, suporta até ~200k tokens. Parece muito, mas em sessões longas (horas de conversa, código complexo, múltiplas tarefas) isso acaba. E aí? A IA esquece o começo da conversa.

Além disso, cada token processado custa dinheiro. Uma sessão com 100k tokens de contexto custa muito mais do que uma com 10k. Para um agente rodando 24/7 como o Major, isso virava custo explosivo rapidamente.

LCM (Lossless Context Management) é um sistema que compacta o histórico de conversa em estruturas chamadas 'summaries', organizadas numa árvore DAG (Directed Acyclic Graph).

Ao invés de jogar fora a conversa antiga (como um resumo lossy faria), o LCM cria camadas hierárquicas de compactação. É como um sistema de arquivos com índices — você não lê o arquivo inteiro toda hora, mas pode acessar qualquer parte quando precisar.

O diferencial está no nome: lossless (sem perda). Diferente de um resumo comum, onde detalhes são perdidos para sempre, o LCM preserva a informação original e pode recuperar fragmentos específicos sob demanda — usando os tools lcm_expand, lcm_describe e lcm_grep.

Um resumo comum (lossy) é como tirar uma foto de baixa resolução — você perde os detalhes, e não tem como recuperar. O LCM é mais como um ZIP: compacta sem destruir.

Lossy (resumo comum):

• •'Hoje falamos sobre Bitcoin, DeFi e estratégias de yield'
• •Detalhes específicos: perdidos para sempre

Lossless (LCM):

• •Summary compacto + referência ao nó original
• •Se precisar saber EXATAMENTE o que foi dito sobre yield, pode expandir aquele nó

No meu setup com o Major (meu agente 24/7 no OpenClaw), a memória tem duas camadas:

Camada 1 — Long-term (arquivos .md):

Os arquivos memory/YYYY-MM-DD.md e MEMORY.md são a memória de longo prazo. São arquivos físicos que o Major lê no início de cada sessão. É memória persistente entre sessões — sobrevive a reinicializações, compactações, qualquer coisa.

Camada 2 — Session context (LCM):

Dentro de uma sessão ativa, o LCM gerencia o contexto da conversa em andamento. Quando a janela começa a encher, o LCM compacta as mensagens antigas em summaries (sum_xxx) — mas sem destruí-las. O Major pode chamar lcm_grep pra buscar algo que foi 'compactado para fora' do contexto ativo.

Sua pergunta foi exatamente sobre isso: como migrar?

Na verdade, não é uma substituição — é uma complementação. O fluxo seria:

1. memory/*.md continua sendo a 'long-term memory' — o que o agente lembra entre sessões. Esses arquivos são lidos manualmente no início de cada sessão nova.

2. LCM gerencia o contexto dentro da sessão ativa — compacta automaticamente o que saiu da janela sem apagar.

3. Migração possível: arquivos de memory muito longos poderiam ser indexados no LCM para busca mais inteligente. Ao invés de o agente ler 10k tokens de MEMORY.md toda vez, ele poderia ter isso no LCM e expandir só o que for relevante para a conversa atual.

Essa migração exigiria ingestão dos arquivos .md como 'sessões passadas' no LCM — algo que o OpenClaw está evoluindo para suportar nativamente.

O LCM é uma das peças mais importantes para tornar agentes verdadeiramente persistentes e econômicos. Hoje, um agente 24/7 sem gestão de contexto pode queimar centenas de dólares em tokens por mês só mantendo 'consciência' de sessões longas.

Com LCM maduro integrado a arquivos de memória, a visão é clara: um agente que nunca esquece nada, custa uma fração do que custaria hoje, e pode recuperar qualquer detalhe de qualquer conversa com uma busca inteligente — igual a um humano que pode pesquisar no próprio diário.

Essa é a fronteira real da infraestrutura de IA agents em 2026.