Проблема доменных агентов
Анализ данных дистанционного зондирования Земли (ДЗЗ) требует глубоких знаний в геофизике и сложного многошагового планирования. Существующие агенты на базе общих LLM часто терпят неудачи, так как не обладают специализированной экспертизой. Главная проблема: ошибки в работе с инструментами не сохраняются, и агент не извлекает из них опыт для будущих задач.
Архитектура RSMeM
Новый подход RSMeM (Knowledge-Enhanced Memory Evolution) решает эту проблему через два ключевых компонента:
- Иерархическая привязка знаний (Hierarchical Knowledge Grounding): Поиск информации в структурированном корпусе знаний, соответствующем таксономии геопространственных данных, для корректного выбора инструментов.
- Уточнение опыта с учетом ошибок (Failure-Aware Experience Refinement): Система анализирует неудачные попытки выполнения задач, извлекает из них ограничения и правила, превращая их в переиспользуемый опыт для следующих итераций.
Результаты на EarthBench
Эксперименты проводились на бенчмарке EarthBench с использованием различных бэкбондов. RSMeM демонстрирует стабильное улучшение как качества использования инструментов, так и итоговой точности ответов. Ключевой показатель эффективности — высокая плотность знаний: значительный прирост точности достигается при минимальном увеличении объема контекста.
| Модель (Backbone) | Прирост точности (Accuracy) | Доп. затраты токенов | Примечание |
|---|---|---|---|
| DeepSeek-V3.2 | +6% | < 1% | Высокая плотность извлеченного опыта |
| Другие LLM | Стабильный рост | Минимальный | Результаты подтверждены на diverse set |
Значение для отрасли
Работа принята в основной трек конференции ACL 2026. Представленный метод позволяет создавать самообучающиеся системы для геонаук, которые становятся эффективнее с каждым новым запросом, снижая потребность в ручной настройке промптов и снижая количество галлюцинаций при работе с научными данными.
Источник: arXiv cs.AI ↗