Исследователи представили MemHarness — фреймворк, который меняет парадигму работы с памятью у ИИ-агентов. Вместо простого копирования старых записей в контекст, система реконструирует прошлый опыт, адаптируя его под текущую ситуацию. Это позволяет агентам эффективнее использовать накопленные знания, устраняя разрыв между абстрактными данными и конкретными задачами, требующими гибкого применения накопленного опыта в реальном времени.
Традиционные методы RAG и агентной памяти часто полагаются на «воспроизведение» (replay), когда из базы данных извлекаются статические фрагменты текста. Этот подход не учитывает контекстуальную специфику текущего запроса, что приводит к подаче избыточной или нерелевантной информации. MemHarness вводит механизм, который анализирует текущую цель агента и перерабатывает извлеченные данные, превращая их в прикладные инструкции.
Такой подход значительно повышает точность выполнения многошаговых задач, где требуется учет прошлых ошибок или успехов. Система оценивает релевантность извлеченного опыта и синтезирует его таким образом, чтобы он максимально соответствовал текущему состоянию среды. Это снижает «шум» в контекстном окне и позволяет агентам действовать более осознанно, опираясь на синтезированный опыт, а не на случайные выборки из логов.
Ключевые факты
- MemHarness отходит от концепции verbatim-воспроизведения (дословного копирования) в пользу реконструкции опыта.
- Фреймворк направлен на устранение разрыва между абстрактными знаниями и спецификой текущей ситуации агента.
- Метод позволяет снизить количество нерелевантных данных, подаваемых в контекстное окно LLM.
- Система ориентирована на повышение эффективности агентов в сценариях, требующих долгосрочного планирования и учета прошлых взаимодействий.