Исследователи представили новый подход к управлению контекстом в ИИ-агентах, который отходит от традиционной статической суммаризации в пользу проактивного извлечения памяти. Метод позволяет агентам динамически формировать релевантные воспоминания на основе текущих задач, значительно повышая точность ответов при работе с длинными историями взаимодействий и сложными многошаговыми процессами, требующими удержания контекста.

Традиционные системы RAG часто полагаются на поиск по семантической близости, что приводит к потере важных деталей в долгосрочной перспективе. Новый фреймворк внедряет механизм «активной памяти», который анализирует структуру диалога и выделяет ключевые сущности и намерения пользователя еще до того, как они потребуются для генерации ответа. Это позволяет агенту не просто «вспоминать» прошлые фразы, а оперировать структурированным графом знаний, накопленным в ходе сессии.

Такой подход решает проблему «забывания» агентов при выполнении длительных задач. Вместо того чтобы хранить весь лог переписки, система поддерживает сжатое, но высокоинформативное представление истории, которое обновляется в реальном времени. Это снижает нагрузку на контекстное окно модели и уменьшает количество галлюцинаций, связанных с потерей нити повествования в сложных агентных сценариях.

Ключевые факты

  • Метод заменяет линейную суммаризацию на динамическое извлечение сущностей и связей в реальном времени.
  • Система использует графовое представление памяти для хранения контекста, что улучшает точность извлечения информации на 30-40% по сравнению с классическим RAG.
  • Архитектура снижает потребление токенов в контекстном окне за счет отсечения нерелевантных данных на этапе препроцессинга памяти.
  • Подход ориентирован на автономных агентов, работающих в многошаговых средах с высокой степенью неопределенности.