El investigador Jordy Zomer ha desarrollado Lemmalog, una herramienta que integra un motor Datalog en los agentes de Inteligencia Artificial para resolver problemas de pérdida de contexto durante investigaciones largas. El sistema surge de la necesidad de evitar que los modelos de lenguaje grandes (LLM) olviden conclusiones previas o mantengan suposiciones obsoletas al analizar vulnerabilidades en bases de código extensas.
A diferencia de los sistemas de memoria convencionales, que almacenan conversaciones y dependen de la recuperación semántica, Lemmalog separa el procesamiento del lenguaje natural de la lógica determinista. El LLM se encarga de interpretar datos crudos, como salidas de depuradores o código fuente, y convertirlos en hechos estructurados. Estos hechos se almacenan en una base de datos Datalog que aplica reglas lógicas para derivar nuevas conclusiones automáticamente.
La principal ventaja técnica es la capacidad de reactividad incremental: si un hecho inicial se corrige o invalida, el motor actualiza solo las conclusiones afectadas sin necesidad de reevaluar todo el historial. Además, el sistema permite rastrear la procedencia de cada afirmación, permitiendo auditar por qué el modelo llegó a una conclusión específica y detectar alucinaciones lógicas cuando falta soporte en los hechos base.