papers.description
La mémoire est essentielle pour les agents d’IA, mais la mémoire statique largement adoptée, qui vise à créer une mémoire prête à l’emploi à l’avance, est inévitablement sujette à une perte sévère d’information. Pour remédier à cette limitation, nous proposons un nouveau cadre appelé mémoire agentique générale (GAM). GAM suit le principe de la « compilation juste à temps (JIT) » en se concentrant sur la création de contextes optimisés pour son client au moment de l’exécution, tout en conservant uniquement une mémoire simple mais utile pendant la phase hors ligne. Pour ce faire, GAM utilise une conception en duo avec les composants suivants. 1) Le Mémoriseur, qui met en évidence les informations historiques clés à l’aide d’une mémoire légère, tout en conservant l’intégralité des informations historiques dans un stockage universel de pages. 2) Le Chercheur, qui récupère et intègre les informations utiles du stockage de pages pour ses requêtes en ligne, guidé par la mémoire pré-construite. Cette conception permet à GAM d’exploiter efficacement les capacités agentiques et l’évolutivité au moment des tests des modèles de langage de pointe (LLMs), tout en facilitant l’optimisation des performances de bout en bout grâce à l’apprentissage par renforcement. Dans notre étude expérimentale, nous démontrons que GAM apporte une amélioration substantielle dans divers scénarios de tâches ancrées dans la mémoire par rapport aux systèmes de mémoire existants.