A Meta AI új memóriaügynökkel küzd az AI-ügynökök feledékenysége ellen

Az AI-ügynökök gyakran elfelejtik a korábbi utasításokat és hibákat hosszú feladatok végzése közben. Ezt a problémát, amit a kutatók „viselkedési állapot-romlásnak” neveznek, a Meta AI egy új megközelítéssel próbálja orvosolni. A probléma lényege, hogy az ügynökök döntéseit irányító állapot elvész a növekvő feladattörténetben, még akkor is, ha az információ technikailag elérhető a kontextusablakban. (The Decoder)

A Meta AI szerint pusztán hosszabb előzményadatok biztosítása nem oldja meg a feledékenységet. A kutatók egy új papírban írják le, hogyan működik a rendszerük: egy különálló „memóriaügynök” figyeli a végrehajtási állapotot, és eldönti, mikor van szükség emlékeztetőre. Ez eltér a hagyományos memóriarendszerektől, amelyek inkább az adatok tárolására és visszakeresésére fókuszálnak, és nem arra, hogy mikor hasznos egy információ. A túl sok emlékeztető lassítaná a rendszert, míg a túl kevés ismételt hibákhoz vezetne.

A javasolt rendszer egy módosítatlan „akcióügynököt” és egy különálló „memóriaügynököt” párosít. A memóriaügynök meghatározott időközönként áttekinti a legutóbbi lépéseket, frissíti a strukturált memóriabankot, és eldönti, hogy adjon-e emlékeztetőt az akcióügynöknek, vagy maradjon csendben. A memóriabank három részből áll: privát státuszmező, tudásmemória (követelmények, fájlnevek) és procedurális memória (próbálkozások, hibák, sikeres javítások).

A kutatók a Terminal-Bench 2.0 és a tau2-Bench benchmarkokon tesztelték a rendszert. Claude Opus 4.6-ot használtak memóriaügynökként, és a korábbi Claude Sonnet 4.5-öt akcióügynökként. A tesztek során a rendszer a Terminal-Bench 2.0 feladatainak 46%-át oldotta meg elsőre, szemben az alaprendszer 38%-ával. A tau2-Bench-en az átlagos pontszám 55%-ról 62%-ra emelkedett. Az eredmények eltértek a különböző szektorokban: a légiközlekedési és kiskereskedelmi feladatoknál mintegy 10 százalékpontos javulást mértek, míg a távközlésben csak 3 pontot.

A csapat vizsgálta a rendszer egyes komponenseit is. Kiderült, hogy a teljes memóriabank folyamatos biztosítása vagy az emlékeztetők állandó küldése nem hozott jobb eredményt, mint a szelektív emlékeztetés. A teljes rendszer, amely a karbantartott memóriabankot és a szelektív emlékeztetőket kombinálja, teljesített a legjobban. Ez a megközelítés még a Mem0 nevű, keresésen alapuló memóriaréteget is felülmúlta.

A Meta AI azt is tesztelte, hogyan teljesít a rendszer kisebb, nyílt forráskódú modellekkel. A Qwen3.5-27B modell finomhangolásával és megerősítéses tanulással sikerült helyreállítani a teljesítményt, miután az alapjáraton csökkent. A kutatók további nyitott kérdésként említik a memória- és akcióügynökök közös betanítását, valamint a memória meghívásának ütemezését. A projekt kódja elérhető a GitHubon.