Nytt minnessystem låter AI-agenter följa komplexa samband över flera steg
Forskare har byggt ProGraph, ett tvålagers minnessystem för AI-agenter som klarar av att koppla ihop information via flera mellanled – något dagens system är dåliga på. På det nya testbenchmarket MemHop (1 000 frågor med upp till fem steg i en social kedja) når ProGraph 80,1%, i nivå med att bara mata in all historik i kontextfönstret, men utan den kostnaden. Intressant nog visar testerna att de två komponenterna i systemet löser helt olika problem: den ena driver flerstegskopplingar, den andra precisionen – med minimal överlappning.
Djupdykning
De flesta AI-minnessystem fungerar ungefär som en människa med svår kortidsminnesförlust – de kan svara på "vad hette din kollega?" men inte på "vad tyckte din kollegas syster om det projektet ni diskuterade för tre månader sedan?" Det är skillnaden mellan single-hop och multi-hop minnesåterkoppling, och det är precis detta gap som forskarteamet bakom ProGraph identifierar som det verkliga problemet med dagens benchmarks. Deras lösning är elegant: istället för att bygga komplexa kunskapsgrafer (tänk ett gigantiskt spindeldiagram av relationer som kräver massor av beräkningskraft) låter de LLM:en skriva naturliga narrativa profiler om entiteter, och traverserar sedan dessa profiler via enkla textsökningar – om "Anna" dyker upp i "Björns" profil, drar systemet automatiskt in Annas profil i kontexten. Vad de flesta missar här är att prestandaökningen på 11 procentenheter över FullContext-referensen (alltså att bara stoppa in hela konversationshistoriken rakt in i modellen) uppnås utan att man behöver betala för den enormt dyrare inferensen som fullständig kontextinmatning kräver. Det är ett pragmatiskt genombrott i en era där AI-agenter som hanterar komplexa, långvariga relationer – juridiska ärenden, terapisessioner, projektledning – fortfarande ofta tappar tråden redan vid tredje hoppet.