Ежедневные статьи

Память является критически важной для искусственных интеллектуальных агентов, однако широко используемая статическая память, направленная на создание заранее доступных данных, неизбежно подвержена значительным потерям информации. Для преодоления этого ограничения мы предлагаем новую концепцию, называемую общей агентной памятью (General Agentic Memory, GAM). GAM следует принципу «компиляции точно в срок» (just-in-time, JIT), фокусируясь на создании оптимизированных контекстов для клиента во время выполнения, сохраняя при этом только простую, но полезную память на этапе оффлайн. Для достижения этой цели GAM использует двойную архитектуру, состоящую из следующих компонентов. 1) Запоминающее устройство (Memorizer), которое выделяет ключевую историческую информацию с использованием легковесной памяти, сохраняя при этом полную историческую информацию в универсальном хранилище страниц. 2) Исследователь (Researcher), который извлекает и интегрирует полезную информацию из хранилища страниц для онлайн-запросов, руководствуясь предварительно построенной памятью. Такая архитектура позволяет GAM эффективно использовать агентные возможности и масштабируемость передовых больших языковых моделей (LLM) во время тестирования, а также оптимизировать производительность на всех этапах с помощью обучения с подкреплением. В нашем экспериментальном исследовании мы демонстрируем, что GAM достигает значительного улучшения в различных сценариях выполнения задач, основанных на памяти, по сравнению с существующими системами памяти.