Исследователи Meta (признана экстремистской организацией, деятельность запрещена в РФ) разработали архитектуру, в которой вспомогательный ИИ-агент выступает в роли «тренера памяти» для основного агента. Система отслеживает ход выполнения сложных задач, предотвращая повторение ошибок и забывание уже проверенных решений. Использование такого надзорного механизма позволило повысить точность выполнения многоэтапных процессов на 8,3% в профильных бенчмарках.
Основная проблема длительных агентных сессий заключается в накоплении контекстных ошибок и «зацикливании» на неэффективных стратегиях. В предложенном подходе вспомогательный агент ведет структурированную базу данных, анализируя действия основного ИИ в реальном времени. Он самостоятельно принимает решение, когда необходимо вмешаться с напоминанием или корректировкой, а когда следует оставаться пассивным, чтобы не перегружать контекстное окно лишней информацией.
Такая иерархическая структура позволяет разделять функции исполнения и контроля. Основной агент фокусируется на генерации действий, тогда как «агент-наставник» берет на себя функции мониторинга и управления долгосрочной памятью. Это решение помогает оптимизировать использование токенов и повышает надежность автономных систем при работе с длинными цепочками рассуждений, где стандартные методы RAG или простое расширение контекста часто оказываются недостаточно эффективными.
Ключевые факты
- Архитектура использует двух агентов: исполнителя и контролера памяти, который ведет структурированный банк данных.
- Внедрение системы «тренера памяти» обеспечило прирост производительности до 8,3 процентных пункта в тестовых задачах.
- Механизм позволяет агенту-исполнителю избегать повторения ранее совершенных ошибок и неэффективных шагов.
- Система динамически определяет необходимость вмешательства, минимизируя избыточные уведомления для основной модели.