EdgeMem: Память для агентов без LLM через гиперграфы

Проблема существующих подходов

Современные LLM-агенты часто сжимают историю взаимодействий в краткие резюме или используют другие представления, сгенерированные самими языковыми моделями. Этот подход имеет два критических недостатка: повторная генерация увеличивает вычислительные затраты, а также приводит к потере важных деталей до того, как система узнает, какой ответ потребуется пользователю в будущем.

Решение: EdgeMem и многоякорный гиперграф

Авторы предлагают метод EdgeMem, основанный на принципе сохранения исходных реплик диалога. Вместо генерации новых текстов система организует данные с помощью многоякорного гиперграфа, построенного на основе легких локальных вычислений. Используются три типа связей:

• Комплементарное содержание (дополняющая информация);
• Временные маркеры (хронология событий);
• Эпизодические подсказки (контекст ситуаций).

Поиск возвращает прямые источники (evidence), а LLM используется исключительно для финального формирования ответа. Это обеспечивает структурированный доступ к историям из нескольких сессий с полной сохранностью оригинальных данных.

Результаты бенчмарков

Эксперименты проводились на наборах данных LoCoMo и LongMemEval-S. EdgeMem показал высокую эффективность в задачах поиска и ответа на вопросы с опорой на память. Ниже приведено сравнение результатов на LoCoMo:

EdgeMem достиг наивысшего показателя strict-judge среди семи воспроизведенных систем при использовании общего промпта, при этом построение и поиск памяти не требуют вызовов генеративных LLM.

Значение для индустрии

Работа доказывает, что сохранение и организация исходных доказательств (источников) создают эффективный фундамент для памяти агентов без необходимости генеративного управления памятью. Это открывает путь к более дешевым и быстрым AI-ассистентам, способным работать с длинными контекстами без деградации качества из-за сжатия информации.

Источник: arXiv cs.AI ↗