Проблема долговременной памяти для AI-агентов
Развертывание AI-агентов в корпоративной среде сталкивается с системной проблемой: агентам необходимо сохранять состояние задачи, извлекать факты о предпочтениях пользователя и накапливать процедурные знания между сессиями. Простого поиска по документам недостаточно. Требуется слой памяти, который определяет, какие взаимодействия становятся постоянным состоянием, как это состояние ограничено по объему (scoped), как быстро извлекается и как обновляется или удаляется со временем.
Архитектура Oracle Agent Memory
Исследователи из Oracle (Richmond Alake, Kartik Talamadupula и др.) предложили решение — Oracle Agent Memory, подложку памяти, построенную на базе Oracle Database. Архитектура базируется на трех ключевых принципах:
- Жизненный цикл памяти: включает этапы поглощения (ingestion), извлечения, консолидации, поиска, суммаризации и ревизии/удаления данных.
- Слоистая архитектура: четкое разделение на «активное ядро» памяти и интерфейс пассивного хранилища с явным контролем области видимости (scope) для пользователей, агентов и потоков (threads).
- Методология оценки: точность downstream-задач дополняется метриками самой памяти: точность извлечения доказательств, полнота (recall), задержка (latency) и оценка использования токенов.
Результаты бенчмарка LongMemEval
Ключевые результаты тестирования демонстрируют эффективность подхода. Система достигла высокой точности при сохранении контекста, что критично для сложных многошаговых задач. Сравнение с базовыми линиями (baselines) показывает значительную экономию ресурсов.
| Метрика | Oracle Agent Memory | Flat-History Baseline | Значение |
|---|---|---|---|
| Точность (Accuracy) | 93.8% | — | Результат теста LongMemEval |
| Использование токенов | — | База (1x) | Экономия ~10.7x (в 10.7 раз меньше) |
| Архитектурная основа | Oracle Database | Плоская история | Enterprise-grade substrate |
Почему это важно для индустрии
Снижение потребления токенов в 10.7 раз напрямую влияет на стоимость развертывания AI-агентов. Кроме того, использование реляционной базы данных Oracle как основы для памяти позволяет корпорациям интегрировать AI-агенты в существующую ИТ-инфраструктуру с гарантиями безопасности, транзакционности и масштабируемости, которые не всегда доступны в стандартных векторных базах данных. Это шаг от экспериментальных чат-ботов к надежным «долгосрочным» агентам, способным работать в сложных бизнес-процессах.
Источник: arXiv cs.AI ↗