Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Meriem Yacoubi, Pia Schmidt и соавторы представили MemoryLACE — систему долговременной памяти LLM-агентов — в препринте, который не проходил рецензирования. По замерам авторов, на BEAM она сократила полное время работы на 66,6% относительно Hindsight. Работа важна командам, которые строят агентов с историей предпочтений, решений и изменяющихся состояний, но не хотят вводить глобальный граф знаний или отдельный этап рефлексии.
Что сделали
MemoryLACE хранит память как набор атомарных текстовых записей. Каждая запись описывает один факт, предпочтение, план, исправление или состояние, содержит временные метаданные и указывает на исходные реплики диалога. Система не заменяет эти записи общим пересказом по умолчанию, поэтому происхождение свидетельства и его исходная формулировка остаются доступными.
Между связанными записями создаются локальные отношения трёх типов:
- объединение связывает повторные свидетельства об одном факте;
- вытеснение показывает, что новая запись заменила прежнее состояние;
- противоречие соединяет несовместимые утверждения, когда система не может выбрать одно из них.
При вытеснении старая запись становится неактивной, но не удаляется. Противоречащие записи остаются активными одновременно. Это позволяет отделить действующее состояние от истории и не выдавать обычное обновление — например, смену предпочтения — за неразрешённый конфликт.
При записи нового факта MemoryLACE сравнивает его не со всей памятью, а с ограниченным набором семантически и предметно близких записей. После первичного решения локальный этап проверяет группу новых записей и восстанавливает дополнительные связи, которые могли быть пропущены при попарной обработке.
При поиске система сначала выбирает активные записи, относящиеся к запросу. Затем она раскрывает их локальные связи, возвращая предыдущие состояния, подтверждения и противоречия. Связанные записи группируются в единицы свидетельств, ранжируются совместно и укладываются в доступный контекст модели в хронологическом порядке.
Что показали
Авторы проверили MemoryLACE на BEAM и StructMemEval. В сравнениях с одинаковой базовой моделью система получила лучший общий результат среди рассмотренных авторами методов. На BEAM сокращение времени относительно рефлексивной памяти Hindsight составило 66,6%; основной выигрыш пришёлся на построение памяти, где Hindsight использует глобальную рефлексию.
На StructMemEval общий результат MemoryLACE составил 52,08% решённых сценариев против 35% у Mem-Agent. Преимущество возникло в отслеживании состояний и восстановлении древовидных зависимостей. В задачах подсчёта оба метода не решили сценарии, а в рекомендациях результат MemoryLACE оказался слабее результата Mem-Agent.
Разбор компонентов связывает основной прирост не с дополнительным ранжированием, а со структурой жизненного цикла. Отключение раскрытия связей снизило общий результат на 5,16 процентного пункта, а отказ от учёта времени — на 4,97 пункта. По интерпретации авторов, первый механизм возвращает нужные прошлые состояния, а второй помогает отличать обновление от противоречия.
Ограничения
BEAM проверяли на подмножестве с историями до 100K токенов и 400 вопросами, а StructMemEval — на 51 сценарии. Это синтетические или подготовленные наборы задач, а не эксплуатация агента с реальными пользователями, параллельными процессами, ошибочными источниками и длительным накоплением памяти.
Эксперименты использовали модели семейства Qwen3.5 на BEAM и GPT-5.5 на StructMemEval. Работа поэтому не показывает, сохранятся ли результаты с меньшими моделями, другим языком диалогов или иной моделью, принимающей решения о связях между записями.
Сравнение времени проведено с Hindsight на BEAM. В работе не приведено сопоставление стоимости API, потребления GPU, числа обращений к модели и объёма хранилища для всех рассмотренных систем. Также MemoryLACE не решает задачу глобального накопления и ранжирования множества распределённых сигналов: это видно по результатам подсчёта и рекомендаций.
Что это значит
Работа не требует менять планы команд, которым достаточно поиска по неизменяемой базе документов или короткой истории диалога. Отношения жизненного цикла полезны там, где агент должен помнить, что условие изменилось, восстановить прежнее состояние или показать неразрешённый конфликт.
Для новых систем MemoryLACE предлагает промежуточную архитектуру между плоским векторным поиском и полноценным графом знаний. Практический шаблон состоит из атомарных записей с происхождением, признака активности, локальных связей обновления и противоречия, а также раскрытия этих связей при поиске. Такой слой можно проектировать отдельно от базовой LLM и от генерации ответа.
Для уже работающего продукта результаты дают основание сначала проверить локальные связи на собственных сценариях обновления, а не сразу внедрять глобальную рефлексию. Однако переносить заявленное ускорение в производственный расчёт пока нельзя: оно получено в одном сравнении и без полной экономики инфраструктуры. Если продукту нужны подсчёт, сводная аналитика или рекомендации по множеству предпочтений, одной памяти жизненного цикла недостаточно — потребуется отдельный механизм агрегации или инструмент выполнения вычислений.
Источники
Иллюстрация: рисунок из статьи «MemoryLACE: Memory Lifecycle-Aware Consolidation and Evidence Retrieval», Meriem Yacoubi, Pia Schmidt, Nenad Petrovic и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
