Pesquisador cria engine Datalog para dar “memória” a LLMs em análise

Agentes com LLM têm se mostrado eficazes para navegar grandes bases de código e ajudar em pesquisas de vulnerabilidades, mas o pesquisador relata um problema recorrente: após horas de investigação, o modelo perde o fio do que foi estabelecido e pode retomar abordagens já descartadas ou continuar raciocinando com observações que deixaram de ser válidas.

Para reduzir esse tipo de inconsistência, ele passou a tratar a “memória” do LLM como um problema de análise de programa: em vez de pedir que o modelo reconstrua o estado a partir de um histórico, a ideia é manter conclusões derivadas automaticamente. Assim, surgiu um motor em Datalog para LLMs, chamado Lemmalog, em que o LLM interpreta saídas como texto, código e dados do depurador, enquanto a base lógica mantém fatos, aplica regras e invalida conclusões quando observações mudam.