← Каталог

· 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