arXiv · 07.08.2026 ·Память и RAG

TEPA: метод борьбы с устаревшими данными в памяти ИИ-агентов

Исследователи представили фреймворк TEPA (Temporal Evidence-based Pruning of Agents), решающий проблему «загрязнения памяти» у ИИ-агентов. Система автоматически выявляет и удаляет неактуальные факты, которые противоречат новой информации. Это предотвращает галлюцинации и ошибки при принятии решений, возникающие из-за использования устаревших данных, накопленных в долгосрочной памяти агента в процессе выполнения длительных задач.

Проблема актуальности данных становится критической при работе агентов в динамических средах. Традиционные системы RAG часто извлекают все релевантные по семантике фрагменты, не учитывая их временную последовательность или логическую противоречивость. В результате агент может опираться на данные, которые уже были опровергнуты новыми событиями, что приводит к деградации качества ответов и неверному планированию действий.

Метод TEPA внедряет механизм верификации, который сопоставляет входящую информацию с уже существующей базой знаний. Если новая информация вступает в конфликт с накопленным опытом, система помечает старые записи как неактуальные и исключает их из контекстного окна. Это позволяет поддерживать чистоту промпта и гарантирует, что агент всегда оперирует наиболее свежими и достоверными данными, доступными в его хранилище.

Ключевые факты

TEPA (Temporal Evidence-based Pruning of Agents) — новый подход к управлению долгосрочной памятью агентов.
Основная задача метода — устранение «загрязнения памяти» (memory pollution), вызванного противоречивыми данными.
Фреймворк автоматически идентифицирует и отзывает устаревшие факты при поступлении новых, опровергающих их доказательств.
Использование TEPA позволяет снизить частоту ошибок при выполнении задач в меняющихся условиях среды.
Исследование опубликовано на платформе arXiv и сфокусировано на повышении надежности автономных ИИ-систем.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Память и RAG TARL: новый подход к управлению памятью для долгосрочных ИИ-агентов Исследователи представили TARL (Transaction-Aware Reliable Ledgers) — фреймворк для управления памятью ИИ-агентов, решающий проблему искажения знаний при обновлении данных. В отличие от стандартных систем, работающих по принципу «записать или пропустить», TARL использует транзакционный подход, позволяющий агентам дифференцированно обрабатывать новую информацию: обновлять устаревшие убеждения, игнорировать шум или откладывать верификацию данных для повышения надежности долгосрочной памяти. Hacker News · Память и RAG Proactive Memory: новый подход к управлению памятью для долгосрочных ИИ-агентов 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. Hacker News · Память и RAG Инструментарий для управления жизненным циклом памяти ИИ-агентов Проект Stalebrain предлагает новый подход к управлению памятью ИИ-агентов, внедряя механизмы отслеживания происхождения данных и их «старения» (decay). Решение позволяет автоматизировать процесс очистки неактуальной информации, предотвращая накопление «шума» в контекстном окне и повышая точность ответов агентов за счет приоритизации свежих и верифицируемых данных в RAG-системах. The Decoder · Инфраструктура для агентов Meta представила систему «агента-наставника» для управления памятью ИИ Исследователи Meta (признана экстремистской организацией, деятельность запрещена в РФ) разработали архитектуру, в которой вспомогательный ИИ-агент выступает в роли «тренера памяти» для основного агента. Система отслеживает ход выполнения сложных задач, предотвращая повторение ошибок и забывание уже проверенных решений. Использование такого надзорного механизма позволило повысить точность выполнения многоэтапных процессов на 8,3% в профильных бенчмарках. arXiv · Память и RAG Proactive Memory Agent: решение проблемы забывания в долгосрочных задачах 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. Hacker News · Память и RAG Проактивное извлечение памяти для ИИ-агентов вместо статической суммаризации 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. arXiv · Память и RAG Shared Selective Persistent Memory: новый подход к памяти для ИИ-агентов 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. Hacker News · Память и RAG Обзор архитектур памяти для ИИ-агентов Исследование текущего состояния агентной памяти систематизирует подходы к хранению и извлечению контекста для автономных систем. Основной фокус смещается от простых векторных баз данных к многоуровневым архитектурам, сочетающим кратковременную рабочую память, семантическое хранилище для долгосрочного опыта и структурированные графы знаний для обеспечения точности и последовательности действий агентов в сложных сценариях. Hacker News · Память и RAG Архитектурные подходы к организации памяти ИИ-агентов Статья анализирует эволюцию систем памяти для автономных агентов, выделяя переход от простых векторных хранилищ к многоуровневым структурам. Автор рассматривает, как сочетание кратковременной контекстной памяти и долгосрочных баз знаний влияет на способность агентов сохранять последовательность действий и извлекать релевантный опыт, подчеркивая критическую роль стратегий индексации и управления контекстным окном в современных агентных системах. arXiv · Память и RAG Эволюция систем памяти для ИИ-агентов: от RAG к управлению данными Исследователи проанализировали текущее состояние систем памяти для LLM-агентов, отмечая переход от простых RAG-механизмов к полноценным системам управления данными. Современная агентная память требует поддержки жизненного цикла информации: от персистентного хранения и обновления до консолидации знаний. Авторы подчеркивают недостаточность существующих метрик, которые оценивают лишь конечный результат выполнения задачи, игнорируя качество работы самой памяти.

← Все материалы