Новая система MOSAIC повышает точность памяти LLM-агентов до 89% и выявляет 66% конфликтов
Проблема долговременной памяти у LLM-агентов долгое время оставалась узким местом: плоское хранение данных теряло контекст, а классификация на основе LLM была слишком медленной. Новая работа на arXiv представляет MOSAIC — фреймворк, решающий эти ограничения.
MOSAIC (Memory-Organized Structured Agent for Information Collection) использует графовую структуру с типизированными сущностями для хранения событий, персоналий и отношений. Это позволяет выполнять многопереходные и временные запросы по истории диалогов.
Вместо дорогих LLM-классификаторов система применяет хэш-ускоренный двухпутевый поиск (locality-sensitive hashing), обеспечивая почти мгновенный доступ к данным без значимой потери точности. Средняя задержка поиска составила 0,58 секунды на вопрос.
Ключевое новшество — активное обнаружение конфликтов при сохранении: новые данные сверяются с существующими узлами графа, и при противоречиях система инициирует обновление или удаление записей. Это предотвращает накопление ошибок.
На тестах LoCoMo (длинные диалоги с вопросами) MOSAIC достиг точности 89,35%, что на 27,21 процентных пункта выше лучшего базового метода. В задачах извлечения из HaluMem система показала F1 86,77% (Medium) и 85,84% (Long), а правильность ответов — 73,10% и 70,75% соответственно.
Важный результат — выявление конфликтов фактов: MOSAIC обнаружил 66% внедрённых противоречий против 14% у лучшего аналога, то есть в 4,7 раза эффективнее. Это подтверждает надёжность системы для приложений, требующих консистентности знаний, например в медицине или юридической сфере.
Таким образом, MOSAIC предлагает комбинацию точности, скорости и согласованности, что делает его перспективной основой для следующих поколений LLM-агентов с долговременной памятью.
