Репортаж от Wedoany，Исследовательское подразделение Microsoft разработало долговременную систему памяти Memora, предназначенную для обеспечения ИИ-агентов более масштабируемой и надёжной памятью за счёт разделения содержимого памяти и способов её извлечения.
Поскольку ИИ-агентам необходимо сохранять контекстную память в течение недель или месяцев, а не обрабатывать только отдельные сеансы, традиционные методы работы с памятью приводят к фрагментации информации и замедлению поиска. Microsoft Research заявляет, что Memora, разделяя содержимое памяти и способы её извлечения, позволяет сократить использование контекстных токенов до 98%, сохраняя или превосходя точность полного контекста.
В настоящее время долгосрочное развёртывание ИИ сталкивается с узким местом в системах памяти. Современные большие языковые модели каждый сеанс начинают с нуля, длинные диалоги требуют многократного чтения всей истории, новая информация хранится в виде исходного текста или сводок, а ключевые детали могут быть утеряны.
Существующие решения имеют свои ограничения. Система Mem0 извлекает атомарные факты из диалогов, метод генерации с дополнением поиска (RAG) индексирует текстовые фрагменты, а графовые системы памяти (например, Zep, GraphRAG) строят структуры на основе связей между сущностями. Однако эти методы впадают в две крайности: системы с фрагментацией содержимого (например, RAG, Mem0) сохраняют детали, но теряют связность повествования; системы с крупнозернистой абстракцией сжимают опыт, но теряют ограничения и числовые детали; графовые системы требуют строгой онтологии, а поиск зависит от самого содержимого.
Архитектура Memora решает эти проблемы за счёт разделения хранимого содержимого и способов его извлечения. Каждая запись памяти состоит из двух частей: основная абстракция представлена фразой из 6–8 слов, отражающей базовое содержание памяти; значение памяти содержит само богатое содержимое. Новая информация по той же теме объединяется с существующими записями памяти, избегая фрагментации. Кроме того, система вводит якоря-подсказки — короткие, контекстно-зависимые метки, извлекаемые из каждого значения памяти, обеспечивающие альтернативные пути доступа к одной и той же памяти.
Memora также включает стратегически управляемый поисковик, который не возвращает сразу k наиболее похожих элементов, а итеративно уточняет запрос через якоря-подсказки, представляя релевантные, но непохожие воспоминания, и решает, когда остановиться. Главный аналитик Greyhound Research Санчит Вир Гогия (Sanchit Vir Gogia) отметил, что Memora отвергает упрощение, приравнивающее поиск к памяти, отделяя богатые детали памяти от дескрипторов поиска, превращая поиск в навигационное действие.
Microsoft оценила Memora на двух эталонных тестах: LoCoMo (в среднем 600 раундов диалога) и LongMemEval (контекст из 115 000 токенов). Результаты показали, что Memora достигла точности оценки LLM 86,3% на LoCoMo и 87,4% на LongMemEval, превзойдя RAG, Mem0, Nemori, Zep, LangMem и полноконтекстное рассуждение. Количество записей памяти, хранимых Memora на один диалог (344), примерно вдвое меньше, чем у Mem0 (651), при этом расход токенов сокращается до 98% по сравнению с полноконтекстным рассуждением.
Гогия указал, что снижение расхода токенов не эквивалентно снижению затрат на инфраструктуру. Сокращение контекста в эталонных тестах не означает, что счета предприятий снизятся на 98%; фактические затраты также включают построение памяти, индексацию, хранение и журналы аудита. Самый мощный стратегический режим поиска Memora занимает около пяти-шести секунд на запрос, тогда как более простой семантический режим — менее секунды; экономия токенов подсказок частично нивелируется задержкой поиска и дополнительными рассуждениями.
В настоящее время Memora является активным проектом Microsoft Research, а соответствующий исследовательский код опубликован на GitHub. Гогия рекомендовал ИТ-руководителям рассматривать Memora как архитектурное исследование, а не как готовое к производству программное обеспечение, и проявлять осторожность до тех пор, пока её код не станет полностью проверяемым, поддерживаемым и сопровождаемым. Кроме того, предприятиям необходимо разработать политики управления и соответствия, обеспечивающие безопасное управление и аудит памяти ИИ, включая чёткое определение того, кто может записывать или читать память, как долго она хранится и как аудиторы могут её реконструировать, чтобы соответствовать требованиям таких нормативных актов, как Закон ЕС об искусственном интеллекте и индийский Закон о защите цифровых персональных данных.
