Az új MI-memória GAM megakadályozza a „Context Rot” problémát hosszú beszélgetésekben

• Az új General Agentic Memory (GAM) architektúra hatékonyabbá teszi az MI-alapú ügynökök hosszú távú memóriáját.
• A rendszer két komponenssel, a Memorizerrel és a Researcherrel kezeli az információk tárolását és keresését, csökkentve az információvesztést hosszú beszélgetések során.
• A GAM jelentősen felülmúlta a korábbi megoldásokat a komplex, hosszú távú feladatok pontosságában.
• A projekt forráskódja és adatai nyilvánosan elérhetők a GitHubon.

Kínai és hongkongi kutatók új áttörést értek el az MI memóriakezelésében: bemutatták a General Agentic Memory (GAM) nevű architektúrát, amely célja a hosszú beszélgetésekben gyakran előforduló, úgynevezett „Context Rot” – az információk elvesztése vagy elfelejtése – problémájának hatékony megoldása. Az új rendszer a memóriakompresszió és a mély kutatás (deep research) ötvözésével biztosítja, hogy az MI-ügynökök pontosabbak és megbízhatóbbak maradjanak hosszabb interakciók során is.^{[^1]}

Az új MI-memória GAM: hogyan működik a hosszú beszélgetések során?

Memorizer és Researcher: egy dualista megközelítés

A GAM rendszer két fő komponensre épül: a Memorizer folyamatosan összegzi és elmenti a teljes beszélgetési előzményt egy úgynevezett „Page-Store” adatbázisba, amely lehetővé teszi, hogy az adatok később könnyen visszakereshetők legyenek. Ezzel párhuzamosan, amikor egy felhasználói kérdés érkezik, a Researcher elemzi a kérést, tervez egy keresési stratégiát, majd különféle keresési eszközökkel (például vektoralapú keresés, BM25-algoritmus vagy oldal-azonosítók alapján) célzottan kutat a releváns információk után a Page-Store-ban.^{[^1]}

„A GAM két specializált komponenssel – a Memorizerrel és a Researcherrel – kezeli a memóriafolyamatokat, elkerülve az információvesztést, ami a hosszú beszélgetések során jelentkezik.”

Iteratív keresés és adaptív válaszadás

A Researcher nem csupán egyszer keres, hanem iteratív módon vizsgálja felül a találatokat, és szükség esetén újabb kereséseket indít, hogy minden fontos információ felszínre kerüljön, mielőtt az MI választ generál. Ez jelentősen növeli a válaszok minőségét és pontosságát, különösen összetett feladatoknál.

GAM a benchmark tesztekben: kimagasló pontosság hosszú távú feladatoknál

A kutatócsoport a GAM-ot különféle tárolási és keresési megoldásokkal, például Retrieval-Augmented Generation (RAG), hosszú kontextusablakokkal rendelkező modellekkel, illetve más memóriarendszerekkel (Mem0, MemoryOS) vetette össze. A tesztekben – köztük a RULER benchmarkon, amely a hosszútávú információkövetést méri – a GAM több mint 90%-os pontosságot ért el, míg a hagyományos rendszerek gyakorlatilag teljesen elbuktak ebben a kihívásban.^{[^1]}

„A GAM iteratív keresése révén még a rejtett, komprimált összefoglalókból kimaradt részletek is megtalálhatók, ha a feladat megkívánja.”

A kutatók kiemelik, hogy a Researcher modul teljesítménye tovább javul, ha több számítási időt kap, vagyis az MI még komplexebb keresési stratégiákat is képes alkalmazni a válaszadás előtt.

További fejlesztések és kapcsolódó innovációk az MI-memóriában

Az MI memóriarendszerek fejlesztése a közelmúltban felgyorsult. Az Anthropic például a „Context Engineering” koncepcióra helyezte a hangsúlyt, ahol az egész kontextus aktív menedzselése révén próbálják az MI modellek teljesítményét növelni.^{[^1]} Emellett a Deepseek egy új OCR rendszert mutatott be, amely a hosszú szöveges dokumentumokat tömörített képként dolgozza fel, ezzel jelentős számítási erőforrást spórolva.

Továbbá sanghaji kutatók egy „Semantic Operating System” vízióját vázolták fel, amely a mesterséges intelligencia számára egy élethosszig tartó, adaptív memóriát biztosítana, hasonlóan az emberi agy működéséhez: nem csak tárolna, hanem szelektíven felejtene is, a tudást pedig aktívan strukturálná.

Összefoglaló

Az új GAM architektúra áttörést jelent az MI memóriakezelésében, különösen hosszú, összetett beszélgetések során. A dualista, iteratív keresésre épülő rendszer csökkenti az információvesztést és javítja a válaszok pontosságát, így új lehetőségeket nyit a fejlett MI-ügynökök fejlesztésében. A GAM kódja és adatbázisa már nyilvánosan elérhető, ami elősegítheti a további kutatásokat és alkalmazásokat ezen a területen.

Forrás:

[^1]: Redaktion (2025. 11. 30.). “Neues KI-Gedächtnis GAM soll den ‘Context Rot’ bei langen Chats verhindern”. The Decoder. Közzétéve [2025. 11. 30. 11:38:53 +0000].