Управление памятью

Знания, неявно хранящиеся в параметрах модели, что обеспечивает быстрый, не зависящий от контекста поиск знаний для многоагентных агентных ИИ-систем

Индексированная по времени память о конкретном опыте и событиях, хранящая автобиографическую историю взаимодействий агента для многоагентных агентных ИИ-систем

Системы общих знаний о мире, оторванные от конкретного контекста их приобретения, поддерживающие фактические знания и связи между понятиями для многоагентных агентных ИИ-систем

Общая система хранения и извлечения знаний, расширяющая возможности группы из нескольких агентов за счёт распределённой когнитивной обработки

Систематические операции чтения, записи и управления паттернами доступа к памяти на основе новизны, релевантности и важности для многоагентных агентных ИИ-систем

Многоуровневая структура памяти с различными политиками хранения

Память, организованная в заранее заданных, интерпретируемых форматах, поддерживающая символьные рассуждения и точные запросы для многоагентных агентных ИИ-систем

Явная, независимая от модальности система памяти, хранящая информацию из разнородных входных данных для многоагентных агентных ИИ-систем

Процесс укрепления и упорядочивания воспоминаний с течением времени

Краткосрочное управление контекстом для активной когнитивной обработки

Масштабируемые системы памяти, распределённые между несколькими агентами, с согласованными паттернами доступа и механизмами консистентности

Избирательная концентрация на информации, релевантной текущему контексту

Хранят паттерны рассуждений и знания в непрерывных представлениях латентного пространства для многоагентных агентных ИИ-систем

Наделите агента потоком памяти из наблюдений с отметками времени, извлекаемых по взвешенной оценке новизны, важности и релевантности, а не только по сходству. Периодически агент проводит рефлексию, синтезируя из недавних воспоминаний выводы более высокого уровня и записывая их обратно в поток, чтобы они направляли дальнейшее планирование. Это конструкция из стэнфордского исследования генеративных агентов (Smallville).

Субстрат памяти агента, который хранит факты в виде рёбер графа знаний, причём каждое ребро несёт явную битемпоральную достоверность: время действительности (когда факт был истинным в мире) и время транзакции (когда он был загружен). Когда новая информация противоречит существующему факту, ребро не удаляется, а инвалидируется записью временной метки t_invalid, поэтому граф может ответить, что и когда считалось истинным, и никогда не выдаёт устаревший факт как актуальный. Это подход Zep и Graphiti. Отличается от `semantic-memory-networks` и статического паттерна `knowledge-graph-construction` в представлении знаний, которые моделируют граф без временного измерения и без замещения фактов.

Явное управление тем, что агент отбрасывает, а не тем, что он сохраняет: истечение по времени (TTL), затухание по использованию и релевантности (экспоненциальное затухание в стиле Эббингауза, усиливаемое при каждом обращении к элементу), выявление устаревания для фактов, которые всё ещё релевантны, но уже не истинны, и жёсткое удаление ради права на забвение и соответствия статье 17 GDPR. Неограниченная память измеримо ухудшает работу агента, поэтому забывание становится полноценной осью проектирования. Отличается от `memory-consolidation` (который сжимает и абстрагирует воспоминания в схемы, то есть выполняет обратную операцию) и от `generative-agents-memory` (который использует затухание по новизне лишь как оценку при извлечении, а не как политику вытеснения или удаления).