Engramma Memory — это новый фреймворк для управления памятью ИИ-агентов, использующий механизм multi-head attention для структурирования и извлечения контекста. Решение позволяет агентам динамически обращаться к релевантным фрагментам данных, имитируя принципы работы внимания в трансформерах. Инструмент ориентирован на создание модульных систем памяти, которые легко интегрируются в существующие агентные архитектуры для повышения точности ответов.
Традиционные системы RAG часто ограничиваются простым семантическим поиском по векторным базам данных. Engramma предлагает более сложный подход, позволяющий агенту «взвешивать» важность различных воспоминаний в зависимости от текущего контекста задачи. Это снижает риск потери информации при работе с длинными диалогами или большими массивами документов, обеспечивая более высокую связность рассуждений агента.
Архитектура системы построена на принципе композитности, что позволяет разработчикам подключать различные бэкенды для хранения данных, сохраняя при этом единый интерфейс управления памятью. Такой подход упрощает масштабирование агентных систем и позволяет гибко настраивать параметры «забывания» или приоритезации данных, что критически важно для долгосрочного взаимодействия с пользователем или выполнения многошаговых процессов.
Ключевые факты
- Engramma Memory использует механизм multi-head attention для управления контекстом и извлечения данных.
- Фреймворк спроектирован как композитное решение, совместимое с различными хранилищами данных.
- Система направлена на решение проблемы потери контекста в долгосрочных агентных сессиях.
- Проект доступен в формате open-source для интеграции в кастомные агентные пайплайны.