Harnesses для агентов с учетом памяти в борьбе с отмыванием денег
Memory-Aware Agent Harnesses for Anti-Money Laundering — Nacho Martinez, Oracle
Агента для AML-задач можно собрать вокруг обычной модели, настраивая harness: память, инструменты и цикл агента.
- Файлы или база — несколько агентов, пишущих в один файл, создают проблемы согласованности, которые базы данных решают через транзакции ACID; хранилище стоит выбирать по характеру нагрузки.
- Память по типам — короткая память это контекстное окно, а длинная делится на эпизодическую (история вызовов и прошлые диалоги), процедурную (skills и цепочки шагов) и семантическую (предпочтения пользователя). Спикер советует начинать только с двух уровней, краткосрочной и долгосрочной, и сжимать контекст через summarization или compaction.
- Инструменты и skills в векторном хранилище — сотни skills по 3–5 тысяч токенов не помещаются в контекст, поэтому их векторизуют и на каждом шаге подтягивают три наиболее близких. По словам спикера, skills и инструменты в некоторых сценариях занимают больше половины контекстного окна.
- Дистилляция skills как continual learning — удачные прошлые прогоны сохраняются в
skill.mdи подтягиваются поиском, без изменения весов модели. Для SQL спикер предлагает готовые проверенные запросы через MCP вместо генерации на лету.
Кому полезно: тем, кто строит агентов для постоянного мониторинга без человека в цикле, например антифрод-проверок в банке.
Статья по теме
Главы
Похожие доклады
От контекста к памяти: вашим agents нужен полноценный слой памяти
AI Engineer World's Fair 2026
Близко по содержанию
Одних векторов недостаточно: гибридный поиск и извлечение данных
AI Engineer World's Fair 2026
Близко по содержанию
А что, если harness важнее модели?
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

