Artículos de investigación en IA seleccionados diariamente con traducciones
La memoria es fundamental para los agentes de IA, sin embargo, la memoria estática ampliamente adoptada, que busca crear memoria disponible de antemano, está inevitablemente sujeta a una severa pérdida de información. Para abordar esta limitación, proponemos un marco novedoso llamado memoria agéntica general (GAM, por sus siglas en inglés). GAM sigue el principio de "compilación justo a tiempo (JIT)", donde se enfoca en crear contextos optimizados para su cliente en tiempo de ejecución, manteniendo únicamente una memoria simple pero útil durante la etapa fuera de línea. Para lograr esto, GAM emplea un diseño dual con los siguientes componentes: 1) Memorizador, que resalta información histórica clave utilizando una memoria ligera, mientras mantiene la información histórica completa dentro de un almacén de páginas universal. 2) Investigador, que recupera e integra información útil del almacén de páginas para sus solicitudes en línea, guiado por la memoria preconstruida. Este diseño permite a GAM aprovechar eficazmente las capacidades agénticas y la escalabilidad en tiempo de prueba de los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) de vanguardia, al mismo tiempo que facilita la optimización del rendimiento de extremo a extremo mediante el aprendizaje por refuerzo. En nuestro estudio experimental, demostramos que GAM logra una mejora sustancial en diversos escenarios de finalización de tareas basadas en memoria en comparación con los sistemas de memoria existentes.