Память и RAG
Приватный поиск по документам без их чтения на стороне сервера
Команда Confer представила архитектурный подход к поиску по конфиденциальным документам, который исключает передачу исходного текста на сервер. Система использует локальную генерацию векторных представлений и криптографические методы для сопоставления запросов, позволяя выполнять семантический поиск по закрытым данным без риска утечки информации или нарушения приватности при обработке сторонними ИИ-сервисами.
Реализация семантической памяти для ИИ-агентов на базе LanceDB
Разработчики представили архитектурное решение для внедрения долгосрочной семантической памяти в ИИ-агентов с использованием векторной базы данных LanceDB. Интеграция позволяет агентам эффективно хранить, извлекать и контекстуализировать прошлые взаимодействия, что критически важно для поддержания связности диалога и выполнения сложных многошаговых задач в рамках агентных систем.
Создание локального стека с бесконечной памятью на Fedora
Разработчики представили архитектурный подход к созданию локальной системы с «бесконечной» памятью на базе ОС Fedora. Решение объединяет векторные базы данных, инструменты для управления контекстом и локальные LLM, позволяя организовать эффективное хранение и извлечение данных без передачи информации во внешние облачные сервисы, что обеспечивает приватность и полный контроль над стеком.
Doubt: инструмент для создания карт доказательств на основе исходных данных
Doubt — это новый инструмент для исследователей ИИ, позволяющий строить структурированные карты доказательств, опираясь на конкретные источники данных. Система помогает визуализировать связи между утверждениями и подтверждающими их фрагментами документов, что критически важно для проверки фактов и снижения уровня галлюцинаций при работе с большими языковыми моделями в исследовательских задачах.
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.
Разделение интеллекта и памяти в архитектуре ИИ-агентов
Концепция «аренды интеллекта и владения памятью» предлагает новый подход к созданию ИИ-систем, где вычислительные мощности LLM отделяются от хранения контекста пользователя. Вместо передачи всех данных в облачные модели, разработчики создают локальные слои памяти, которые выступают в роли «второго мозга», обеспечивая приватность, контроль над данными и снижение зависимости от конкретного провайдера модели.
Inspeximus: легковесная библиотека для управления памятью ИИ-агентов
Проект Inspeximus представляет собой инструмент для организации памяти ИИ-агентов, ориентированный на минимализм и отсутствие внешних зависимостей. Решение позволяет эффективно управлять контекстом взаимодействия, обеспечивая хранение и извлечение данных без необходимости развертывания сложных инфраструктурных компонентов. Это упрощает интеграцию функций долговременной памяти в агентные системы, работающие в ограниченных или изолированных средах.
DualG-MRAG: новый подход к мультимодальному RAG через разделение рассуждений и поиска
Исследователи представили DualG-MRAG — архитектуру для мультимодального RAG, которая разделяет макро-рассуждения и микро-сопоставление данных. Метод решает проблему неэффективности существующих систем при выполнении сложных многоходовых задач, где стандартные подходы не справляются с установлением связей между различными модальностями и документами. Новая архитектура позволяет точнее обрабатывать контекст и повышает качество ответов в мультимодальных сценариях.
EvoLib: новый подход к накоплению опыта и адаптации LLM
Microsoft Research представила EvoLib — библиотеку для динамического накопления знаний, позволяющую моделям извлекать полезные навыки из прошлых задач. В отличие от статических баз данных, EvoLib трансформирует накопленный опыт в структурированные знания, которые помогают ИИ адаптироваться к новым сценариям после завершения этапа обучения, обеспечивая непрерывное развитие навыков без необходимости полной переподготовки модели.
MemHarness: новый подход к динамической реконструкции памяти ИИ-агентов
Исследователи представили MemHarness — фреймворк, который меняет парадигму работы с памятью у ИИ-агентов. Вместо простого копирования старых записей в контекст, система реконструирует прошлый опыт, адаптируя его под текущую ситуацию. Это позволяет агентам эффективнее использовать накопленные знания, устраняя разрыв между абстрактными данными и конкретными задачами, требующими гибкого применения накопленного опыта в реальном времени.
CoMem: новый метод работы с бесконечным контекстом через разделение слоев LLM
Исследователи предложили метод CoMem, использующий неравномерное распределение функций внутри слоев трансформеров. Нижние и средние слои отвечают за формирование семантических представлений, а верхние — за предсказание. Новый подход позволяет кэшировать промежуточные состояния и перевычислять только верхние слои, что обеспечивает эффективную работу с неограниченным контекстом без необходимости обработки всей последовательности на каждом шаге.
EMBL AI Librarian: специализированный слой знаний для ИИ-агентов в life-sciences
Исследователи представили EMBL AI Librarian — специализированный слой знаний, разработанный для интеграции ИИ-агентов с обширными базами данных в области наук о жизни. Система решает проблему неэффективности классических поисковых интерфейсов при работе с LLM, обеспечивая агентам прямой доступ к более чем 40 миллионам записей Europe PMC через оптимизированные API и структурированные контекстные данные.
Rekol: инструмент для управления долгосрочной памятью в Claude Code
Rekol — это специализированное решение для организации долгосрочной памяти в среде Claude Code. Инструмент позволяет разработчикам сохранять контекст между сессиями, обеспечивая ИИ-агенту доступ к накопленным знаниям о проекте. Система решает проблему ограниченного окна контекста, позволяя агенту опираться на прошлые решения и специфические особенности кодовой базы без необходимости повторного анализа файлов при каждом запуске.
KaaS: новый инструмент для автоматической генерации Wiki-баз знаний на базе LLM
Команда Bybit представила KaaS (Knowledge as a Service) — open-source решение для автоматизации создания и обновления корпоративных баз знаний. Инструмент анализирует неструктурированные данные, извлекает ключевую информацию и структурирует её в виде Wiki-документации, готовой для использования в RAG-системах или в качестве справочного ресурса для сотрудников компании.
Sessiongrep: локальный поиск по истории сессий ИИ-агентов
Sessiongrep — это инструмент для локального поиска и управления историей взаимодействий с популярными ИИ-агентами, такими как Claude Code, Codex и Cursor. Решение позволяет индексировать локальные логи сессий, обеспечивая быстрый доступ к контексту прошлых задач и фрагментам кода без передачи данных во внешние облачные хранилища, что критично для безопасности и приватности разработки.
Новый SOTA в бенчмарке BEAM: эффективная работа с контекстом в 10 млн токенов
Исследователи установили новый рекорд в бенчмарке BEAM, предназначенном для оценки способности моделей извлекать информацию из контекста объемом до 10 миллионов токенов. Достижение примечательно тем, что для решения задачи использовалась компактная модель, которая превзошла по точности и эффективности более крупные аналоги, демонстрируя значительный прогресс в архитектурах для работы с длинным контекстом.
UniMem: архитектура памяти для непрерывного обучения ИИ-агентов
Исследователи представили UniMem — архитектуру памяти, решающую проблему «стабильности-пластичности» при работе ИИ-агентов с потоковыми задачами. Система объединяет эпизодическую память для быстрого накопления опыта и параметрическую память для закрепления навыков. Это позволяет агентам эффективно адаптироваться к новым сценариям, не теряя при этом накопленные ранее знания и не перегружая контекстное окно при инференсе.
MemLens: система управления памятью для ИИ-агентов с учетом ценности данных
Исследователи представили MemLens — систему управления памятью для LLM-агентов, которая переходит от слепого хранения всех диалогов к выборочному сохранению данных на основе их ценности. Решение позволяет оптимизировать контекстное окно, отсеивая избыточную информацию и сохраняя только значимые для долгосрочного планирования и персонализации записи, что повышает эффективность работы агентов в сложных сценариях.
Архитектура персистентной памяти для мультиагентных систем
Разработка эффективных систем памяти является критическим вызовом при создании масштабируемых мультиагентных сред. В докладе рассматриваются подходы к организации долговременного хранения контекста, позволяющие агентам сохранять накопленный опыт, извлекать релевантные данные из прошлых взаимодействий и обеспечивать согласованность действий между различными узлами системы в условиях динамически меняющихся задач.
Directed Memory Bank: инструмент для управления контекстом ИИ-агентов
Directed Memory Bank — это инструмент для структурирования и хранения проектного контекста, предназначенный для повышения эффективности ИИ-агентов. Решение позволяет агентам обращаться к актуальной информации о задачах и архитектуре проекта независимо от используемых инструментов, обеспечивая согласованность данных в рамках длительных рабочих сессий и сложных агентных процессов разработки.
Обзор архитектур памяти для ИИ-агентов: систематизация подходов
Исследователи опубликовали комплексный обзор методов организации памяти в ИИ-агентах, систематизируя современные подходы к хранению и извлечению контекста. Работа классифицирует механизмы памяти на краткосрочные, долгосрочные и рабочие, анализируя их влияние на автономность и точность принятия решений. Авторы предлагают единую таксономию, которая помогает разработчикам выбирать оптимальные стратегии управления данными для агентных систем.
MemU: единый слой памяти для ИИ-агентов и инструментов разработки
MemU — это инфраструктурное решение, обеспечивающее сквозную память для различных ИИ-инструментов, включая Codex, Claude Code и Hermes. Система позволяет агентам обмениваться контекстом и накопленными знаниями, устраняя проблему изоляции данных между разными средами разработки. Это упрощает создание агентных рабочих процессов, требующих сохранения долгосрочного состояния и истории взаимодействия пользователя с кодовой базой.
Новый подход к управлению контекстным окном LLM через теорию оценивания
Исследователи предложили переосмыслить управление ограниченной памятью языковых моделей как задачу статистического оценивания. Вместо эвристических методов отсечения токенов авторы рассматривают процесс как сглаживание с фиксированным лагом. Это позволяет оптимизировать выбор данных для удержания в кэше, повышая эффективность работы моделей с длинным контекстом при ограниченных аппаратных ресурсах.
APS-RAG: гибридная агентная система для работы с техническими данными
Исследователи представили APS-RAG — специализированную платформу для работы с разрозненными данными научных центров. Система объединяет электронные журналы, техническую документацию, логи чатов и данные систем управления в единый поисковый индекс. Агентный подход позволяет не просто извлекать информацию, но и корректировать ответы, обеспечивая высокую точность при решении сложных эксплуатационных задач в условиях ограниченного доступа к знаниям.