Единая система памяти для ИИ-агентов: Как устроена архитектура PlugMem от Microsoft
Исследователи из Microsoft предложили новый подход к памяти автономных систем. Технология PlugMem преобразует сырые логи взаимодействий в структурированные знания, экономя токены.
Современные агенты искусственного интеллекта сталкиваются с фундаментальной проблемой: они быстро забывают прошлый опыт или, наоборот, тонут в огромных массивах неструктурированных данных. Исследовательское подразделение Microsoft представило PlugMem — универсальную систему памяти, которая призвана решить эту задачу, превращая сырую историю взаимодействий в переиспользуемые структурированные знания.
До появления подобных систем большинство агентов полагались на простое добавление прошлых диалогов и действий в контекстное окно больших языковых моделей (LLM). Этот подход имеет два критических недостатка. Во-первых, он стремительно расходует доступные токены, что делает работу агента дорогой и медленной. Во-вторых, чем больше «сырого» текста находится в контексте, тем сложнее модели выделить действительно важную информацию для принятия текущего решения.
Figure 1. PlugMem organizes different types of agent interactions into a knowledge-centric memory graph, enabling structured retrieval and reasoning.
Архитектура PlugMem предлагает иной путь. Вместо того чтобы хранить каждый шаг агента как непрерывный текст, система анализирует историю и извлекает из нее полезные факты, правила и закономерности. Эта информация структурируется и сохраняется в виде базы знаний. Когда агенту нужно принять новое решение, PlugMem предоставляет только релевантные данные, игнорируя информационный шум. Система спроектирована как универсальный модуль: ее можно интегрировать с любым агентом без необходимости переписывать его базовую логику.
С технической точки зрения это означает значительное снижение нагрузки на вычислительные мощности. Использование структурированной памяти позволяет резко сократить потребление токенов, так как в модель передается выжимка опыта, а не полная стенограмма прошлых сессий. При этом качество принимаемых решений возрастает, поскольку агент получает четкие инструкции, основанные на его же успешных или ошибочных действиях в прошлом.
