Исследователи представили архитектуру Proactive Memory, которая решает проблему забывания контекста в задачах с длинным горизонтом планирования. Система позволяет агентам самостоятельно определять, какую информацию из прошлого необходимо извлечь для текущего шага, снижая зависимость от стандартных методов RAG и повышая точность выполнения многоэтапных инструкций в сложных сценариях взаимодействия.

Традиционные системы памяти часто полагаются на семантический поиск по ключевым словам, что приводит к потере контекста при выполнении задач, растянутых во времени. Новый фреймворк внедряет механизм проактивного управления, где агент не просто пассивно обращается к базе данных, а активно фильтрует и структурирует накопленный опыт, сохраняя только релевантные для текущей цели данные. Это позволяет значительно сократить количество «галлюцинаций» и ошибок, возникающих из-за переполнения контекстного окна.

Метод опирается на иерархическую структуру хранения, где краткосрочные события анализируются на предмет их долгосрочной ценности. В процессе работы агент классифицирует информацию, определяя её значимость для будущих итераций. Такой подход оптимизирует использование вычислительных ресурсов, так как в рабочую область модели попадают только сжатые, но критически важные для выполнения задачи фрагменты истории.

Ключевые факты

  • Архитектура Proactive Memory минимизирует потерю контекста при выполнении задач, требующих более 50 последовательных шагов.
  • Система использует механизм динамической фильтрации, который снижает объем передаваемых в LLM токенов на 40% по сравнению с классическим RAG.
  • Внедрение проактивного извлечения данных повысило успешность выполнения сложных логических цепочек на 25% в бенчмарках для долгосрочных агентов.
  • Метод поддерживает интеграцию с существующими векторными базами данных, позволяя масштабировать память без изменения базовой инфраструктуры модели.