Представлена третья версия архитектуры Memory Model, предназначенная для управления долгосрочной (LTM) и кратковременной (STM) памятью в ИИ-системах. Ключевым нововведением стал алгоритм сжатия AEIL (Adaptive Embedding Information Lossless), который позволяет оптимизировать хранение контекста без потери значимых данных. Система направлена на решение проблемы ограниченного контекстного окна LLM за счет структурированного извлечения и хранения информации.
Архитектура разделяет потоки данных на два уровня: активный буфер для оперативных задач и базу знаний для долгосрочного хранения. Механизм сжатия AEIL анализирует семантическую плотность входящих данных, отсеивая избыточные токены и сохраняя ключевые концепты в сжатом векторном представлении. Это позволяет агентам удерживать релевантный контекст на протяжении длительных сессий взаимодействия, не перегружая рабочую память модели.
Реализация включает методы динамической индексации, которые ускоряют поиск по накопленной базе знаний. Использование данной архитектуры позволяет снизить затраты на инференс за счет уменьшения объема передаваемых токенов при сохранении точности ответов. Инструмент ориентирован на разработчиков, создающих сложные агентные системы, требующие глубокой контекстуализации и эффективного управления историей диалогов.