Проблема: «Невидимая» потеря данных
В системах с ограниченным бюджетом памяти агенты ИИ проходят два этапа: retention (удержание) и retrieval (поиск). Традиционные парадигмы фокусируются на поиске, неявно предполагая, что нужные данные не были удалены. Однако автор работы Minkyu Song выделяет новый класс ошибок — structurally indirect prerequisite eviction (структурное косвенное вытеснение).
Суть проблемы: блоки памяти, которые слабо совпадают с текущим запросом по лексике, но критически важны для логики (являются «предпосылками»), удаляются из-за нехватки места. В результате поиск терпит неудачу еще до начала, так как фундаментальные данные уже утрачены.
Решение: Dependency-aware Semantic Garbage Collection (DSGC)
Для борьбы с этим явлением предложен алгоритм DSGC — правило очистки мусора, учитывающее графовую структуру зависимостей (one-hop graph-aware). Метод анализирует связи между блоками памяти, предотвращая удаление узлов, от которых зависят другие, даже если они семантически далеки от текущего запроса.
Результаты: От катастрофы к идеалу
Эксперименты проводились на воспроизводимом детерминированном бенчмарке. Ключевая метрика — full-chain retention (полнота сохранения всей цепочки зависимостей). Внедрение DSGC дало радикальный прирост эффективности:
| Метрика | Без DSGC (Baseline) | С DSGC | Улучшение |
|---|---|---|---|
| Lexical Encoder | 0.03 (3%) | 0.90 (90%) | ×30 |
| Sentence Encoder | 0.23 (23%) | 1.00 (100%) | ×4.3 |
Как видно из таблицы, при использовании лексического энкодера метод DSGC спасает ситуацию, повышая удержание с критических 3% до приемлемых 90%. При использовании более продвинутого sentence encoder результат становится идеальным — 100% сохранность.
Значение для индустрии
Работа, принятая на ICML 2026 Workshop on Failure Modes of Agentic AI (FAGEN@ICML 2026), смещает фокус с оптимизации поиска на оптимизацию хранения. Авторы предоставляют открытый пайплайн и инструменты для диагностики (trace diagnostics), позволяющие проводить механический анализ того, почему агенты «забывают» важную информацию до того, как начнут ее искать. Это критически важно для создания надежных долгосрочных агентов, работающих с большими контекстами.
Источник: arXiv cs.AI ↗