papers.description
Gedächtnis ist entscheidend für KI-Agenten, doch das weit verbreitete statische Gedächtnis, das darauf abzielt, im Voraus leicht verfügbare Erinnerungen zu schaffen, unterliegt unweigerlich einem erheblichen Informationsverlust. Um diese Einschränkung zu überwinden, schlagen wir ein neuartiges Framework namens General Agentic Memory (GAM) vor. GAM folgt dem Prinzip der „Just-in-Time (JIT)-Kompilierung“, bei dem es darauf abzielt, zur Laufzeit optimierte Kontexte für seinen Client zu erstellen, während es während der Offline-Phase nur einfache, aber nützliche Erinnerungen speichert. Zu diesem Zweck verwendet GAM ein Duo-Design mit den folgenden Komponenten. 1) Der Memorizer, der wichtige historische Informationen mithilfe eines leichtgewichtigen Gedächtnisses hervorhebt, während er vollständige historische Informationen in einem universellen Seiten-Speicher aufrechterhält. 2) Der Researcher, der nützliche Informationen aus dem Seiten-Speicher abruft und integriert, geleitet durch das vorab konstruierte Gedächtnis, um Online-Anfragen zu bearbeiten. Dieses Design ermöglicht es GAM, die agentischen Fähigkeiten und die Skalierbarkeit während der Testphase von fortschrittlichen großen Sprachmodellen (LLMs) effektiv zu nutzen, während es gleichzeitig eine end-to-end-Leistungsoptimierung durch Reinforcement Learning erleichtert. In unserer experimentellen Studie zeigen wir, dass GAM in verschiedenen gedächtnisbasierten Aufgabenbearbeitungsszenarien im Vergleich zu bestehenden Gedächtnissystemen erhebliche Verbesserungen erzielt.