Исследование Verging Labs показало, что простая иерархическая структура Markdown-файлов превосходит специализированные системы памяти для ИИ-агентов в задачах поиска и контекстуализации. В ходе бенчмаркинга выяснилось, что традиционные базы данных и векторные хранилища часто уступают по точности извлечения информации хорошо организованной текстовой документации, что ставит под сомнение необходимость усложнения архитектуры памяти.

Разработчики протестировали ряд популярных решений для хранения агентской памяти, сравнивая их с классической вики-системой на базе Markdown. Результаты показали, что агенты демонстрируют более высокую стабильность ответов и меньшее количество галлюцинаций при работе с данными, структурированными в виде связанных текстовых файлов. Основная причина кроется в предсказуемости иерархии и возможности легкого аудита контента человеком, что критически важно для сложных агентных систем.

Данный подход подчеркивает тренд на упрощение инфраструктуры RAG (Retrieval-Augmented Generation). Вместо внедрения тяжеловесных векторных баз данных, разработчики могут достичь лучших результатов с помощью семантически организованных текстовых баз знаний. Это упрощает поддержку системы, снижает затраты на индексацию и делает процесс управления контекстом более прозрачным для инженерных команд.

Ключевые факты

  • Исследование проведено компанией Verging Labs в рамках сравнения инструментов управления памятью для LLM.
  • Markdown-вики показала лучшие результаты по точности извлечения данных по сравнению с протестированными агентными решениями.
  • Основным преимуществом текстовой структуры названа высокая интерпретируемость и легкость ручного редактирования.
  • Выявлено, что избыточная сложность векторных хранилищ часто становится препятствием для эффективного RAG-процесса.