Проблема «застывшей» памяти в AI-ассистентах
Современные AI-агенты все чаще используют историю разговоров как источник данных о состоянии пользователя. Однако стандартные пайплайны долгосрочной памяти (long-memory pipelines) обрабатывают сообщения как независимые векторные объекты. Это приводит к критической ошибке: система извлекает семантически похожие, но устаревшие факты. Если пользователь меняет планы или предпочтения, старые данные могут вступить в противоречие с текущими, что снижает качество ответов агента.
Архитектура TRACE: Иерархия и временные связи
Команда авторов во главе с Маолином Ваном (Maolin Wang) предложила решение — TRACE (State-Aware Query Processing over Temporal Evidence Graphs). Фреймворк моделирует диалоги не как набор текстов, а как иерархический граф, охватывающий события, сессии и темы. Ключевая особенность — обогащение графа типизированными связями:
- Временные (temporal): хронология событий.
- Причинно-следственные (causal): логические связи между действиями.
- Обновления (update) и противоречия (contradiction): маркировка того, когда новая информация заменяет старую.
Механизм валидности и гибридный поиск
TRACE внедряет аннотации валидности (validity annotations). Это позволяет системе сохранять старые факты для исторических запросов, но «обесценивать» их при поиске ответов, отражающих текущее состояние пользователя. На этапе запроса система комбинирует:
- Векторный поиск заметок: для быстрого лексического_recall.
- Поиск по графу: для реконструкции доказательств (evidence reconstruction).
Такой подход разделяет этап поиска и этап рассуждения, позволяя проводить bounded query-time reasoning (ограниченные во времени рассуждения) над длинными историями диалогов.
Результаты экспериментов
Эксперименты проводились на бенчмарках для ответов на вопросы по длинным диалогам (long-conversation QA). Результаты показали значительное улучшение показателей временного и многошагового (multi-hop) рассуждения по сравнению с базовыми методами. Аблиционные исследования (ablations) подтвердили, что именно иерархия графа, учет обновлений при начальном поиске (update-aware seeding) и привязка доказательств к путям (path-grounded evidence) дают основной прирост точности.
| Компонент TRACE | Функция | Влияние на результат |
|---|---|---|
| Иерархический граф | Структурирование событий, сессий, тем | Улучшает контекстуализацию запроса |
| Аннотации валидности | Маркировка устаревших фактов | Исключает противоречия в текущих ответах |
| Гибридный поиск | Векторы + графовые пути | Баланс между скоростью и точностью рассуждений |
Значение для индустрии
TRACE демонстрирует переход от простого хранения контекста к активному управлению состоянием (state-awareness). Для разработчиков AI-агентов это означает возможность создания более надежных систем, которые не «забывают» изменения в намерениях пользователя, что критически важно для персонализированных ассистентов и долгосрочного взаимодействия.
Источник: arXiv cs.CL ↗