Проект Daftari представляет собой специализированный фреймворк для управления долгосрочной памятью ИИ-агентов. Система использует концепцию «напряжений» (tensions) для приоритизации и удержания наиболее значимых данных в контекстном окне модели. Это позволяет агентам сохранять связность диалога и учитывать накопленный опыт при выполнении длительных задач, минимизируя потерю информации при работе с большими объемами данных.
В основе архитектуры лежит механизм динамического ранжирования, который оценивает релевантность воспоминаний в зависимости от текущего состояния агента. Вместо простого семантического поиска, который часто страдает от шума, Daftari вводит весовые коэффициенты для различных фрагментов памяти. Это помогает системе «забывать» неактуальные детали и фокусироваться на критически важных инструкциях или фактах, полученных на ранних этапах взаимодействия.
Решение ориентировано на разработчиков, создающих автономных агентов, которым требуется стабильная работа в рамках многошаговых сценариев. Инструмент интегрируется в существующие пайплайны обработки данных, обеспечивая структурированное хранение и быстрый доступ к контексту. Такой подход решает проблему деградации внимания LLM при увеличении длительности сессии, что является одним из главных барьеров для создания сложных агентных систем.
Ключевые факты
- Daftari использует систему «напряжений» для динамического управления приоритетами данных в памяти.
- Фреймворк направлен на решение проблемы потери контекста в долгосрочных агентных сессиях.
- Система позволяет агентам эффективно фильтровать и извлекать только релевантную информацию из накопленного массива данных.
- Инструментарий доступен в виде открытого исходного кода для интеграции в агентные архитектуры.