Hacker News · 19.06.2026 ·Память и RAG

Causal Graph Memory: новый подход к управлению контекстом в LLM

Разработан метод Causal Graph Memory, направленный на оптимизацию работы с длинным контекстом в больших языковых моделях. В отличие от стандартных подходов, где стоимость токенов растет пропорционально длине сессии, данная архитектура использует структуру причинно-следственного графа для хранения и извлечения информации. Это позволяет поддерживать фиксированную стоимость обработки токенов независимо от продолжительности диалога или объема накопленных данных.

Система работает путем преобразования входящих данных в узлы и связи графа, что обеспечивает более эффективное управление памятью агента. Такой подход решает проблему «забывания» информации при переполнении контекстного окна и снижает вычислительные затраты на повторную обработку истории сообщений. Метод позволяет модели обращаться к релевантным фактам из прошлых сессий без необходимости перечитывать весь массив накопленного контекста.

Реализация ориентирована на создание масштабируемых агентных систем, где критически важна долгосрочная память. Использование графовых структур для индексации знаний позволяет агентам точнее сопоставлять текущие запросы с накопленным опытом, сохраняя при этом предсказуемую производительность инференса. Технология доступна в виде открытого решения для интеграции в существующие пайплайны обработки данных и построения интеллектуальных ассистентов.

Источник: Hacker News

Похожие материалы

Hacker News · Память и RAG AgentGraph: графовая модель для управления контекстом в ИИ-агентах Разработчики ИИ-агентов сталкиваются с проблемой эффективного управления контекстом, особенно при работе с длинными цепочками диалогов или сложными задачами. В новом подходе, представленном в AgentGraph, предлагается использовать графовую модель для хранения и обработки контекста. Это позволяет не только сохранять информацию в структурированном виде, но и обеспечивает более гибкий доступ к данным, что особенно важно для агентов, работающих с большими объемами информации. Hacker News · Инфраструктура для агентов Архитектурный подход к организации памяти ИИ-агентов Разработчики представили проект Recall Memory Substrate, который систематизирует подходы к управлению памятью в агентных системах. Основная дискуссия строится вокруг выбора между моделями «push» и «pull» при взаимодействии агента с внешними хранилищами данных. В первом случае агент активно записывает и структурирует информацию в базу данных в процессе работы, во втором — система извлекает необходимые контекстные данные по запросу, минимизируя избыточность. 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 · Инфраструктура для агентов Gcontext: иерархическая структура контекста для управления ИИ-агентами Проект Gcontext предлагает новый подход к управлению контекстом для ИИ-агентов, работающих в сложных средах, таких как службы технической поддержки. Инструмент использует иерархическую систему файлов llms.txt, которые объединяются в древовидную структуру. Это позволяет разработчикам структурированно передавать агенту актуальные инструкции, документацию и правила, специфичные для конкретных задач или разделов базы знаний. Hacker News · Память и RAG Реализация долговременной памяти для ИИ-агентов на базе Elasticsearch Команда Elasticsearch представила архитектурное решение для создания слоя долговременной памяти в агентных системах. Разработка опирается на возможности векторного поиска и гибридных запросов, позволяя агентам извлекать релевантный контекст из больших массивов неструктурированных данных. Использование специализированных индексов и механизмов фильтрации обеспечивает точность поиска (recall) на уровне 0.89, что критически важно для поддержания последовательности действий агента в длительных сессиях. arXiv · Память и RAG Память в ИИ для прогнозирования трафика Исследователи из Университета Цинхуа и других ведущих вузов представили новый подход к прогнозированию состояния дорожного движения с использованием памяти. В статье, опубликованной на arXiv, они предлагают Memory-Augmented Graph Liquid Time-Constant Networks (M-GLTN) — модель, которая решает проблему нехватки данных в некоторых регионах за счёт переноса знаний из других областей. Hacker News · Инфраструктура для агентов Проблема контекстной непрерывности в ИИ-агентах для программирования Современные ИИ-агенты, предназначенные для написания кода, часто сталкиваются с потерей логической нити при работе с крупными проектами. Основная причина заключается в ограниченности контекстного окна и неэффективных методах управления памятью. Даже при использовании продвинутых моделей агенты склонны «забывать» архитектурные решения, принятые на ранних этапах разработки, что приводит к накоплению ошибок и нарушению целостности кода. Hacker News · Память и RAG Memanto: open-source решение для управления долгосрочной памятью ИИ-агентов Проект Memanto представляет собой инструмент с открытым исходным кодом, предназначенный для организации долгосрочной памяти в ИИ-системах. Решение позволяет агентам сохранять контекст взаимодействия, извлекать релевантные данные из прошлых сессий и использовать накопленную информацию для формирования более точных ответов. Архитектура системы ориентирована на интеграцию с существующими LLM, обеспечивая структурированное хранение и быстрый поиск накопленного опыта. arXiv · Память и RAG DYNA: динамическая память для ИИ-агентов на основе временных графов Исследователи из MIT и других университетов предложили фреймворк DYNA, который решает проблему забывания знаний у больших языковых моделей (LLM). DYNA использует временной знаний граф, где события — это узлы, а временные отношения — направленные, временно помеченные рёбра. Этот граф служит внешней, обновляемой памятью, что позволяет LLM работать с новыми данными без переобучения. Hacker News · Память и RAG Архитектура памяти Memory Model V3 с алгоритмом сжатия AEIL 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.

← Все материалы