Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Долговременная память организационного агента может сохранять меняющиеся решения без удаления старых версий и предварительного сжатия документов. В нерецензированном препринте числа получили сами авторы: Mem++ обошёл другие системы памяти на OrgMemBench на 8,0–13,1 балла. Для продуктовых команд это повод отделить исходный архив от производных индексов и не делать извлечённые факты единственной памятью агента.
Сжатие при записи заранее ограничивает будущие вопросы
Память обычного диалогового агента часто исходит из простого правила: новое сообщение уточняет или заменяет старое. В организации это правило ломается. Предложение, согласованное решение и поздняя отмена приходят из разных каналов и от разных людей, а исходные письма, протоколы и задачи продолжают существовать одновременно.
Системы вроде Mem0 извлекают из документа отдельные факты и обновляют их при конфликте. Графовые решения сохраняют сущности и связи между ними. Оба подхода при записи решают, какая часть документа пригодится позже, поэтому могут потерять обоснование, условие действия решения или различие между предложением и утверждённой версией.
Это особенно мешает вопросам о прошлом. Если агенту нужно назвать правило, действовавшее до пересмотра, последняя версия не подходит. Если факты перезаписаны, старый ответ уже нельзя восстановить; если остались только связи графа, модели может не хватить исходной формулировки и контекста утверждения.
Mem++ делает первичным объектом памяти сам документ. Производные структуры можно перестроить, заменить или удалить, не затрагивая историю. Такой выбор сближает память агента с журналом событий: запись остаётся неизменной, а актуальное состояние вычисляется при чтении.
Как Mem++ выбирает версию при чтении
При загрузке Mem++ сохраняет полный текст, дату, автора и числовое представление смысла документа. Генеративная модель на этом пути не вызывается, а новые записи не заставляют систему заново обрабатывать старые. Если текст длиннее лимита кодировщика, сокращается только его числовое представление; оригинал и индекс точных слов остаются полными.
Запрос одновременно проходит через поиск по словам, поиск по авторским меткам и поиск по смысловой близости. Перед ранжированием система отбрасывает документы, появившиеся позже даты из вопроса. Поэтому запрос о состоянии проекта в прошлом не расходует контекст на будущие решения.
Результаты разных поисковых путей объединяются по их местам в выдаче, а не по несопоставимым внутренним оценкам. Часть контекста резервируется для наиболее свежих подходящих документов. Затем отвечающая модель получает исходные тексты вместе с датами и авторами и сама сопоставляет версии.
В архитектуре предусмотрен дополнительный проход, который связывает похожие документы и помечает заменённые версии, но не удаляет их. В основных замерах этот проход был выключен. Извлечение фактов и граф сущностей также не дали устойчивого выигрыша, хотя добавляли вызовы моделей при записи и чтении.
Mem++ при этом не загружает весь архив в запрос. Он сохраняет архив без потерь, но передаёт отвечающей модели только верхние результаты поиска. Ключевое различие с обычным RAG состоит в том, что единицей хранения и выдачи остаётся датированный документ, а не фрагмент, оторванный от версии и происхождения.
Менять стоит устройство памяти, но не весь стек
Основную проверку провели на среднем уровне OrgMemBench: он описывает одну синтетическую организацию за 18 месяцев и содержит 73 вопроса о пересмотре решений, противоречиях и восстановлении истории. Дополнительно Mem++ сравнили с другими подходами на разговорных наборах LoCoMo и LongMemEvalS, используя две отвечающие модели. Такая проверка показывает поведение архитектуры в контролируемых сценариях, но ещё не подтверждает результат на реальных корпоративных архивах.
На OrgMemBench Mem++ с gpt-4.1-mini опередил обычный RAG на 2,6 балла и лучше справлялся с заменой версий и восстановлением прежних решений. Однако RAG выиграл на вопросах о противоречиях с разрывом до 28,2 балла, а цепочки обоснований остались трудными для всех методов. Значит, хранение документов целиком не заменяет отдельную логику для поиска конфликтов и многошаговых связей.
Разбор компонентов показал, что основной вклад дал поиск по смысловой близости. Предварительное выделение фактов, связывание версий и граф сущностей не улучшали результат стабильно. Для первой реализации организационной памяти разумным базовым вариантом становится неизменяемое хранилище документов с датами, полнотекстовым и смысловым поиском.
Командам не требуется отказываться от графов, сводок или карточек фактов. Их стоит считать вторичными индексами, которые ускоряют отдельные запросы, но не заменяют оригинал. Тогда смена модели извлечения или новая категория вопросов не потребует восстанавливать уже потерянные детали.
Такой подход сильнее всего меняет планы систем, где агент должен отвечать не только «что действует сейчас», но и «что действовало тогда», «кто это изменил» и «на каком основании». Для помощника по статичной базе знаний выигрыш менее очевиден: там обычного RAG может быть достаточно, а хранение версий не решает главную задачу.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
