← Каталог

· AI Engineer World's Fair 2026

Memory harnesses для долго работающих исследовательских агентов

Memory Harnesses for Long-Running Research Agents

Ранжированный recall по журналу решений агента, по словам автора, повышает качество на длинных задачах XBench и Spider 2.0 и снижает расход токенов.

  • Память нужна там, где задача не влезает в контекст — если все документы помещаются в окно, memory harness не добавил качества, а только стоимость.
  • Ранжирование важнее самого поиска — журнал решений с приоритетами дал лучший результат, чем векторный RAG и простое включение или выключение памяти; замеры сделаны примерно на 68 вопросах XBench с несколькими seed.
  • Плохая память дорогая — нерелевантные записи тратят токены и уводят агента не туда, а хорошо структурированный recall, по словам автора, экономит бюджет.
  • Локальный стек — Qwen 27B в 4-bit и DeepSeek V4 Flash на M3 Ultra с 96 ГБ памяти; минус в том, что DeepSeek V4 Flash работает только в serial inference, без батчей.

Кому полезно: тем, кто строит агентов для длинных задач и хочет контролировать память и данные на собственном железе.

Доклад цитируется в статьях

На какие вопросы отвечает доклад

  • Почему долгий агент противоречит себе и переделывает уже сделанную работу?

    Причина в context rot: старые решения и выполненные шаги выпадают из контекста. Решение — harness памяти с постоянным core-блоком трасс, архивной памятью и векторным поиском.

    ▶ 0:00Введение и проблема деградации контекста
  • Нужна ли агенту внешняя память, если вся задача помещается в context window?

    Нет: в задаче с обзором литературы, где все статьи помещались в контекст, память не дала прироста качества и только увеличила стоимость. Память окупается, когда нужный контекст не помещается.

    ▶ 4:08Архитектура памяти, векторный retrieval и журналы решений
  • Как агенту находить нужный шаг среди сотен прошлых без раздувания контекста?

    Помогает ранжированный recall: решения хранятся в decision ledger с приоритетами. По словам авторов, на XBench и Spider 2.0 это дало больше верных ответов и меньше потраченных токенов.

    ▶ 6:55Результаты ranked recall на XBench и Spider 2.0
  • Почему агент не выходит на максимальный результат, даже получив правильную память?

    Оракул передаёт модели нужный фрагмент памяти, но не заставляет её использовать. Модель может проигнорировать факт или запутаться в нём.

    ▶ 6:55Результаты ranked recall на XBench и Spider 2.0
  • Как запустить долгих исследовательских агентов на локальных моделях на одной машине?

    Использовались квантованная Qwen 27B и DeepSeek V4 Flash на M3 Ultra с 96 ГБ памяти. Ограничение: локальные модели работают последовательно, без batch-запросов, поэтому прогоны eval идут долго.

    ▶ 1:36Настройка эксперимента с локальными моделями и M3 Ultra
  • Как устроить память агента: что хранить в постоянном контексте, архиве и векторном поиске?

    Core-блок трасс виден агенту всегда, архивная память хранит данные между сессиями, а vector RAG подтягивает похожие записи. Decision ledger фиксирует решения по каждому ходу и задаёт их приоритет.

    ▶ 4:08Архитектура памяти, векторный retrieval и журналы решений

Главы

Ещё доклады: Stefania Druga

Страница спикера →

Похожие доклады