AutoMEM: система памяти для ИИ-агентов превзошла аналоги в кроссплатформенных тестах
Исследователи представили новую систему памяти для LLM-агентов под названием AutoMEM. Она управляет плоским текстовым хранилищем через инструментальные вызовы, что позволило добиться наилучших результатов в тестах на разных сценариях. Результаты опубликованы в препринте на arXiv.
Современные LLM-агенты сталкиваются с проблемой: их история взаимодействия быстро превышает размер контекстного окна. Это стимулировало развитие систем памяти, однако большинство существующих решений заточены под один сценарий: многопользовательский чат или последовательность траекторий.
Авторы работы проверили восемь систем памяти и один агентный механизм для поисковых задач. Тестирование охватило пять сценариев: однократные вопросы, многопользовательский чат, вопросы по агентным траекториям, стресс-тесты памяти и долгосрочные агентные задачи.
Выяснилось, что ключевой фактор успеха — не пассивное хранилище с фиксированным конвейером, а активный контроль агента над сохранением и извлечением данных. Механизм, который сам управляет плоскими текстовыми файлами через вызовы инструментов, показал наилучшее ранжирование по всем задачам.
На основе этого наблюдения создан AutoMEM — агентный механизм памяти с самоуправляемым интерфейсом. В экспериментах он превзошёл все протестированные системы по общей применимости в разных сценариях.
Результаты указывают на перспективность подхода, при котором агент самостоятельно решает, что и когда сохранять или извлекать, вместо использования фиксированных алгоритмов. Это может повлиять на дальнейшую разработку memory-систем для ИИ-агентов в промышленных и исследовательских приложениях.
