MemAgent låter AI-agenter välja rätt minnestyp för varje uppgift
Forskare har byggt MemAgent, ett system som låter en AI-agent styra vilket 'minne' (lagrad erfarenhet) som ska användas för en given uppgift – istället för att låsa sig vid en enda metod. Testerna visade 10 procents förbättrad träffsäkerhet jämfört med befintliga minnesmetoder, med bara 0,3 procents extra beräkningskostnad. Det intressanta är egentligen diagnosen: bland 13 testade minnesmetoder klarade ingen sig bra på alla typer av uppgifter – vilket säger en del om hur omoget fältet fortfarande är.
Djupdykning
De flesta AI-agenter har ungefär lika dåligt minne som du efter en sen fredagskväll – de börjar om från noll varje gång. Det som forskarna bakom MemAgent insåg är att problemet inte är att vi saknar bra minnesmetoder, det finns faktiskt gott om dem: råa konversationsloggar, sammanfattningar, strukturerad kunskap, återanvändbara "skills". Problemet är att ingen enskild metod funkar bra på alla typer av uppgifter, ungefär som att en hammare är utmärkt tills du behöver skruva. MemAgent löser detta genom att behandla minnesval som ett routingproblem – en liten "minnesagent" bestämmer i realtid vilka minneslager som ska konsulteras och uppdateras beroende på vad uppgiften faktiskt kräver, med under 0,3% extra beräkningskostnad. Det de flesta missar i rapporteringen om agenter är att prestandagapet sällan handlar om själva språkmodellen – det handlar om hur agenten hanterar kontext och erfarenhet över tid, och här är 10 procentenheters förbättring på riktiga benchmarks en ganska brutal signal om hur mycket som lämnas på bordet med dagens statslösa design.