Проблема текстовой памяти
Агенты на базе больших языковых моделей (LLM) учатся на опыте, но стандартный подход — хранение свободных текстовых воспоминаний — становится узким местом. По мере роста взаимодействий такие записи трудно поддерживать, проверять на достоверность и переиспользовать. Существующие символические подходы часто ограничиваются локальными процедурами или упрощенными моделями динамики мира.
Решение: Object-Centric Environment Modeling (OCM)
Авторы (Yiyang Li, Tianyi Ma и соавторы) предлагают архитектуру OCM, которая организует опыт в виде исполняемой объектно-центричной модели среды. Система опирается на два связанных кодовых базы:
- Object Knowledge (Объектные знания): Определяет сущности среды и механизмы их взаимодействия через классы Python.
- Procedure Knowledge (Процедурные знания): Записывает повторно используемые паттерны взаимодействия, которые импортируют и используют модель объектов.
Как это работает: онлайн-обучение и верификация
OCM функционирует в онлайн-режиме. После каждого эпизода взаимодействия агент проводит рефлексию траектории, обновляя обе базы знаний. Ключевая особенность — автоматическая верификация: система проверяет, что все процедурные знания корректно выполняются против обновленной модели объектов. Это исключает логические противоречия в памяти агента.
Эффективность и метрики
Для экономии вычислений при взаимодействии используется механизм прогрессивного раскрытия знаний: агент сначала анализирует компактные сигнатуры кода и обращается к полному исходному тексту только при необходимости. Эксперименты показывают, что OCM достигает наилучшего среднего ранга (average rank) на бенчмарках и существенно снижает долю невалидных действий по сравнению с базовыми подходами.
| Характеристика | Традиционные LLM-агенты | OCM (Object-Centric Modeling) |
|---|---|---|
| Формат памяти | Свободный текст (Free-form) | Исполняемый код (Python classes) |
| Верификация | Сложная/отсутствует | Автоматическая проверка выполнения |
| Основная метрика | Выше доля невалидных действий | Лучший average rank, меньше ошибок |
Значение для индустрии
Работа демонстрирует, что переход от текстовых описаний к структурному коду позволяет агентам строить более надежные и масштабируемые модели мира. Это критически важно для создания автономных систем, способных работать в сложных, динамически меняющихся средах без накопления «информационного шума».
Источник: arXiv cs.AI ↗