Hacker News · 17.06.2026 ·Память и RAG

Альтернатива RAG: файловая система как метод управления контекстом

Разработчики представили подход CEM888.AI, предлагающий использовать файловую систему в качестве основного механизма хранения и извлечения контекста для языковых моделей. В отличие от традиционных RAG-систем (Retrieval-Augmented Generation), которые опираются на векторный поиск по эмбеддингам, данный метод фокусируется на прямой работе с файловой структурой. Это позволяет модели обращаться к данным более предсказуемо, сохраняя иерархические связи и метаданные документов без потерь, характерных для семантического поиска.

Согласно опубликованным результатам, использование файловой памяти демонстрирует высокую эффективность в задачах поиска и обработки информации. Авторы заявляют о достижении точности 99,9% в задачах AR (Answer Retrieval) и 77,2% в метриках Beam Search. Такой подход позволяет избежать проблем «зашумленности» контекста, которые часто возникают при извлечении слишком большого количества похожих по смыслу, но нерелевантных фрагментов текста из векторных баз данных.

Данная архитектура упрощает процесс интеграции внешних знаний в агентные системы, так как не требует сложного процесса векторизации и настройки параметров поиска. Файловая система выступает как структурированное хранилище, к которому модель обращается через специализированные инструменты доступа. Это решение может стать значимым дополнением к существующим методам управления памятью, особенно в сценариях, где критически важна точность цитирования и работа с большими массивами структурированных документов.

Источник: Hacker News

Похожие материалы

arXiv · Память и RAG Как RAG помогает ИИ-агентам решать сложные задачи через аналогии Исследователи из MIT и Google Research предложили новый подход к улучшению способности языковых моделей решать сложные задачи через аналогии. В работе, опубликованной на arXiv, они демонстрируют, как Retrieval-Augmented Generation (RAG) может быть адаптирован для более эффективного решения задач, требующих нестандартного мышления. Hacker News · Память и RAG Рекурсивные языковые модели и нейросимволическое управление контекстом Исследователи предлагают новый подход к управлению контекстом в ИИ-агентах, сочетающий рекурсивные языковые модели и нейросимволические методы. Этот метод позволяет более эффективно обрабатывать и хранить информацию, что критически важно для построения сложных агентов. Hacker News · Память и RAG Локальная система памяти для RAG с возможностью записи ИИ Разработчик Paul Tobey представил локальную систему памяти для RAG (Retrieval-Augmented Generation), которая позволяет ИИ-агентам напрямую записывать информацию. Проект доступен на GitHub и реализует механизм, аналогичный Memory Control Plane (MCP), но с упором на локальное хранение данных. Hacker News · Память и RAG Проблема памяти в ИИ: почему системы всё ещё работают как поиск Автор статьи Jeffrey Flynt поднимает важный вопрос о текущем состоянии памяти в ИИ-агентах. Он утверждает, что большинство современных систем, включая RAG (Retrieval-Augmented Generation), работают по принципу поиска, а не по принципу истинной памяти. Это означает, что они не могут эффективно хранить и использовать контекстную информацию в долгосрочной перспективе, а лишь извлекают данные из базы при каждом запросе. Hacker News · Память и RAG Сравнение BM25, векторного и гибридного поиска для RAG В статье на Weaviate Playground проведён подробный анализ трёх подходов к поиску информации: BM25, векторного поиска и их комбинации в гибридном режиме. Это особенно важно для разработчиков ИИ-агентов, так как эффективный поиск — ключевой компонент систем RAG (Retrieval-Augmented Generation). Weaviate Blog · Память и RAG Как качество ретривала влияет на эффективность RAG-систем Исследователи из Weaviate (разработчики векторной БД) опубликовали анализ, посвящённый роли ретривала в RAG-системах. Они утверждают, что даже самые мощные языковые модели не смогут давать качественные ответы, если ретривал не обеспечивает актуальные и релевантные данные. arXiv · Память и RAG Как RAG помогает бороться с галлюцинациями в мультимодальных моделях Исследователи из MIT и других ведущих университетов предложили новый подход к снижению визуальных галлюцинаций в мультимодальных языковых моделях (MLLMs). Эти системы, способные обрабатывать как текстовые, так и визуальные данные, часто демонстрируют уверенность в своих ответах, даже когда визуальные данные слабые или неоднозначные. Это приводит к так называемым "галлюцинациям" — выводам, не соответствующим реальности. Hacker News · Инфраструктура для агентов Infinite Context Paging Engine: нулевой копирование контекста для LLM Разработчики представили Infinite Context Paging Engine — инструмент на Rust для управления контекстом в больших языковых моделях (LLM) с нулевым копированием данных. Решение позволяет обрабатывать контекстные окна без дублирования данных, что ускоряет работу моделей и снижает нагрузку на память. Hacker News · Инфраструктура для агентов Artifacta: система долговременного хранения данных для ИИ-агентов Разработчики представили Artifacta — специализированное решение для управления результатами работы ИИ-агентов. Инструмент решает проблему «бесследного» выполнения задач, обеспечивая надежное хранение артефактов, созданных в процессе генерации контента, кода или аналитических отчетов. Система позволяет агентам сохранять промежуточные и финальные результаты в структурированном виде, что упрощает их последующее извлечение, версионирование и интеграцию в более сложные рабочие процессы. Hacker News · Память и RAG PagedAttention: зачем ИИ-агентам память с вытесняющей стратегией PagedAttention — это механизм, который позволяет эффективно управлять памятью в больших языковых моделях (LLM) и ИИ-агентах. В отличие от традиционных подходов, он не просто имитирует виртуальную память, а предлагает более гибкую и оптимизированную стратегию работы с данными. Это особенно важно для агентов, которые работают с большими объёмами информации и требуют быстрого доступа к контексту.

← Все материалы