Антропик и бъдещето на паметта за агентите

Какъв е проблемът?

В съвременния свят на изкуствения интелект агентната памет остава ключов проблем, който трябва да бъде решен. Основната трудност при дългосрочно работещите агенти е, че те трябва да функционират в отделни сесии. Всяка нова сесия започва без памет за предишните, което създава сериозно препятствие за постигане на последователност и стабилност в работата на агента. Именно това ограничава възможността на агентите да изпълняват сложни задачи, които не могат да бъдат завършени в рамките на един контекстуален прозорец.

В ситуацията, когато контекстуалните прозорци са ограничени, а задачите често изискват по-дълъг интервал за изпълнение, паметта на агента става неотложна необходимост. Като решаване на този проблем, различни компании като LangChain, Memobase и OpenAI създават технологии за агентна памет, които да позволят на агентите да запазят инструкции и контекст от различни сесии.

Как новата технология го решава?

Антропик предлага решение, което комбинира два типа агенти - инициализатор агент и кодиращ агент. Инициализатор агентът е отговорен за настройката на околната среда и съхранението на информацията за вече извършените стъпки. Кодирането агент, от своя страна, прави постепенни подобрения и оставя структурирани ъпдейти за следващата сесия.

В своя блог пост, Антропик споделят, че дори при модели като Opus 4.5, където контекстуалното управление би трябвало да е възможно, е трудно да се постигне качествено производство на приложения без тази памет. Две основни недостатъка възникват: агентът или се опитва да извърши всичко в рамките на ограничен контекст, или прекратява задачата пребързано, вярвайки, че я е завършил. Добавянето на инструменти за тестване помага за откриване и поправка на грешки, които не са видими само от кода.

Дългосрочните последици

Антропик отбелязва, че тяхното решение е само един от многото възможни механизми в дългосрочната еволюция на агентите. Макар че в момента фокусът е насочен към уеб приложеността, може да се очаква, че резултатите ще бъдат пригодени и за научни изследвания, финансова симулация и други области. Дългосрочно, е вероятно тези уроци да бъдат приложени в още по-широк спектър от агентни задачи, поддържащи по-голяма надеждност и сложност в измененията на пазара.