Исследователи представили архитектуру Shared Selective Persistent Memory, решающую проблему «амнезии» у ИИ-агентов при работе с кодом. Вместо сохранения всей истории диалогов, система избирательно накапливает конфигурации, доменные ограничения и паттерны использования инструментов. Это повышает эффективность работы агентов в многосессионных задачах, снижая потребление токенов и предотвращая деградацию контекста из-за накопления нерелевантной информации.
Традиционные подходы к управлению памятью часто полагаются на полное логирование сессий, что приводит к перегрузке контекстного окна и снижению точности генерации кода. Предложенный метод позволяет агентам формировать «общий опыт» — базу знаний, которая обновляется по мере выполнения задач. Система автоматически фильтрует полезные артефакты, такие как схемы данных и предпочтительные способы взаимодействия с API, сохраняя их для будущих запусков.
Такой подход критически важен для агентных систем, выполняющих сложные инженерные задачи. Использование селективной памяти позволяет агенту быстрее адаптироваться к специфике проекта, не тратя ресурсы на повторное изучение контекста или подбор конфигураций, которые уже были успешно применены ранее. Это значительно повышает воспроизводимость результатов и общую продуктивность автоматизированных рабочих процессов.
Ключевые факты
- Архитектура фокусируется на сохранении конфигураций, доменных ограничений и паттернов использования инструментов.
- Метод исключает необходимость хранения полных логов диалогов, что оптимизирует использование токенов.
- Система предотвращает деградацию генерации, вызванную избыточным или нерелевантным контекстом в длинных сессиях.
- Решение ориентировано на агентные системы, специализирующиеся на генерации кода и многошаговом использовании инструментов.