· AI Engineer World's Fair 2026
Проблема памяти агентов решена. А обучения — нет.
Agent Memory Is Solved. Agent Learning Isn't. — Karthik Ranganathan, Yugabyte
Агенты учатся вместе только в общем контексте с контролируемым продвижением памяти и трассировкой источников; одного общего файла или большего RAG для этого мало.
- Потеря контекста при передаче — передача только итогового документа теряет рассуждения и неудачные подходы, поэтому следующий агент заново выводит то же самое и платит за это токенами.
- Продвижение памяти под контролем — приватная память агента попадает в общее пространство только после решения человека; по словам авторов, такие решения можно будет использовать как обучающий сигнал, а автономное самообучение они не демонстрируют.
- Замеры на RAG — по словам авторов, пошаговая настройка подняла faithfulness для Markdown с 14% до 65%, для PDF с 20% до 74%, а число чанков упало с более чем 7000 до около 1000; бенчмарк авторы не назвали.
- Трассировка расхода — встроенные трассы Langfuse показывают вызовы инструментов и расход токенов, так что экономию контекста можно проверить по конкретным запросам.
Кому полезно: тем, кто строит несколько агентов, которые передают работу друг другу.
Доклад цитируется в статьях
Главы
Похожие доклады
От контекста к памяти: вашим agents нужен полноценный слой памяти
AI Engineer World's Fair 2026
Близко по содержанию
Хватит нянчиться с агентами: создаём context engine для кода, готового к слиянию
AI Engineer Europe 2026
Близко по содержанию
Гений с амнезией
AI Engineer World's Fair 2026
Близко по содержанию
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию


