Исследователи представили Proactive Memory Agent — архитектурный подход для ИИ-агентов, работающих над задачами с длинным горизонтом планирования. Метод решает проблему «поведенческого дрейфа», когда критически важная информация теряется в растущем контекстном окне. Система проактивно извлекает и структурирует данные о целях, прошлых попытках и состоянии среды, обеспечивая их доступность в нужный момент принятия решения.
В сложных сценариях агенты часто сталкиваются с переполнением контекста, из-за чего забывают промежуточные результаты или требования задачи. Новый подход предполагает использование специализированного модуля памяти, который не просто хранит историю действий, а динамически фильтрует и актуализирует информацию, необходимую для выполнения текущего подзадачи. Это позволяет агенту сохранять фокус на долгосрочных целях, даже если траектория взаимодействия с окружением становится крайне обширной.
Механизм работает как надстройка над стандартными LLM, позволяя им эффективно управлять «состоянием задачи» без необходимости бесконечного расширения контекстного окна. Это критически важно для автоматизации процессов, требующих многошагового планирования, отладки и анализа ошибок в реальном времени, где точность воспроизведения прошлых состояний напрямую влияет на успех выполнения всей цепочки действий.
Ключевые факты
- Разработан метод Proactive Memory Agent для предотвращения потери контекста в задачах с длинным горизонтом планирования.
- Система устраняет «поведенческий дрейф», при котором агент теряет из виду цели и факты из-за переполнения контекстного окна.
- Архитектура обеспечивает проактивное извлечение данных о прошлых попытках, диагностике ошибок и текущих подзадачах.
- Подход позволяет агентам сохранять высокую производительность при выполнении сложных, многоэтапных процессов без необходимости неограниченного увеличения объема памяти модели.