Исследователи представили AutoMem — фреймворк, обучающий языковые модели самостоятельно управлять своей памятью как когнитивным навыком. В отличие от статических RAG-систем, AutoMem наделяет модель способностью решать, какую информацию кодировать, когда извлекать данные и как структурировать знания. Модель получает доступ к файловым операциям как к базовым действиям, что позволяет ей динамически организовывать контекст в процессе выполнения задач.
Подход базируется на концепции метапамяти, заимствованной из когнитивной психологии. Вместо жестко заданных алгоритмов поиска или фиксированных окон контекста, система обучается «осознанному» управлению хранилищем. Модель рассматривает файловую систему не просто как внешнее хранилище, а как активный инструмент, которым она управляет в режиме реального времени, оптимизируя свои когнитивные ресурсы для решения сложных многошаговых задач.
Такая архитектура позволяет агентам эффективно работать с долгосрочной памятью, минимизируя «шум» от избыточных данных и фокусируясь на релевантных фрагментах. Автоматизация управления памятью снижает зависимость от ручного проектирования промптов или сложных систем индексации, перекладывая ответственность за организацию знаний на саму модель в процессе её обучения и эксплуатации.
Ключевые факты
- AutoMem внедряет метапамять как обучаемый навык, позволяя моделям самостоятельно определять стратегии кодирования и извлечения данных.
- Файловые операции интегрированы в процесс принятия решений модели наравне с выполнением основных задач.
- Система переходит от статических методов RAG к динамическому управлению памятью, имитируя когнитивные процессы человека.
- Метод направлен на повышение эффективности работы агентов с большими объемами данных за счет оптимизации структуры хранения в процессе выполнения задачи.