Присоединяйтесь к нашим ежедневным и еженедельным информационным бюллетеням для последних обновлений и эксклюзивного контента в индустрии AI-лидирования. Узнать больше
ИИ -агенты могут автоматизировать многие задачи, которые предприятия хотят выполнять. Однако один недостаток заключается в том, что они, как правило, забывают. Без долгосрочной памяти агенты должны либо выполнить задачу за один сеанс, либо постоянно упрекаться.
Таким образом, поскольку предприятия продолжают исследовать использование для агентов ИИ и как их безопасно реализовать, компании, способствующие развитию агентов, должны учитывать, как сделать их менее забывчивыми. Длительная память сделает агенты гораздо более ценными в рабочем процессе, способных запомнить инструкции даже для сложных задач, которые требуют нескольких ходов.
Манвиндер Сингх, вице -президент по управлению производством искусственного интеллекта в Redis, сказал Venturebeat, что память делает агентов более надежными.
«Память агента имеет решающее значение для повышения эффективности и навыков (агентов), потому что LLM находятся непосредственно за пределами штата – они не помнят вещи, как обещания, ответы или чаты», – сказал Сингх в электронном письме. «Память позволяет ИИ -Агентам вспоминать прошлые взаимодействия, сохранять информацию и сохранять контекст, чтобы предоставить более последовательные, личностные реакции и более эффективную автономию».
Такие компании, как Langchain, начали предлагать варианты для расширения памяти агента. Langmem SDK от Langchain помогает разработчикам создавать агенты с инструментами «извлекать информацию из разговора, оптимизировать поведение агента с быстрыми обновлениями и сохранять долгосрочную память о поведении, фактах и событиях».
Другие варианты включают Memobase, инструмент с открытым исходным кодом, запущенный в январе, чтобы дать агентам «ориентированную на пользовательскую память», поэтому программы запоминают и адаптируются. Crewai также имеет инструменты вокруг долгосрочной памяти действий, в то время как Swarm’s Swarm требует, чтобы пользователи принесли свою модель памяти.
Майк Мейсон, директор по искусственным технологиям в Tech Consultancy Thinkworks, заявил VentureBeat в электронном письме, что более лучше изменяется память, поскольку компании используют агенты.
«Память превращает агенты ИИ из простых реактивных инструментов в динамичные адаптивные помощники», – сказал Мейсон. «Без этого агенты должны полностью зависеть от того, что предусмотрено за один сеанс, ограничивая их способность улучшать взаимодействие с течением времени».
Лучшая память
Более длительная память в агентах может прийти в разные вкусы.
Langchain работает с наиболее распространенными типами памяти: семантическим и процедурным. Семантика относится к фактам, в то время как процедура относится к процессам или тому, как выполнять задачи. Компания сказала, что агенты уже имеют хорошую краткосрочную память и могут ответить в текущей ветке разговора. Langmem хранит процедурную память в виде обновленных инструкций в подсказке. Опираясь на свою работу по быстрой оптимизации, Langmem идентифицирует интерактивные паттерны и обновления «Система обещает усилить эффективное поведение. Это создает цикл реакции, где основные инструкции агента развиваются на основе наблюдаемой активности».
Исследователи, работающие над способами расширения воспоминаний о моделях ИИ, и поэтому агенты ИИ обнаружили, что агенты с долговременной памятью могут извлечь уроки из ошибок и улучшить. В статье в октябре 2024 года изучалась концепция AI-Self-разработки посредством долговременной памяти, показывая, что модели и агенты действительно улучшают, чем больше они помнят. Модели и агенты начинают адаптироваться к более индивидуальным потребностям, поскольку они помнят более обычные инструкции дольше.
В другой статье исследователи из Университета Рутгерса, Ant Group и Salesforce представили новую систему памяти под названием A-Self, основанный на методе примечания Zettelkasten. В этой системе агенты создают сети знаний, которые позволяют «более адаптируемому и контекстному управлению памятью».
Сингх Реджис сказал, что агенты с долгосрочной памятью работают как тяжелые диски, «хранение много информации, которая сохраняется в результате нескольких задач или разговоров, оставляя агентов учиться на обратной связи и адаптироваться к предпочтениям пользователей». Когда агенты интегрируются в рабочие процессы, этот тип адаптации и самоучительного обучения позволяет организациям держать тот же набор агентов, работающих на работе достаточно долго, чтобы выполнять ее без необходимости упрека их.
Соображения памяти
Но этого недостаточно, чтобы заставить агентов помнить больше; Сингх сказал, что организации также должны принимать решения о том, что агенты должны забыть.
«Есть четыре передовых решения, которые вам нужно принять, проецируя архитектуру управления памятью: какие типы воспоминаний вы храните? Как вы храните и обновляете воспоминания? Как вы восстанавливаете эти воспоминания? Как вы распадаете воспоминания?», – сказал Сингх.
Он подчеркнул, что предприятия должны отвечать на эти вопросы, чтобы гарантировать, что «активная система поддерживает скорость, масштабируемость и гибкость, ключ к созданию быстрого, эффективного и точного пользовательского опыта».
Лангхейн также сказал, что организации должны четко понимать, какое поведение люди устанавливают, и кто должен быть изучен по памяти; Какие виды агентов знания должны постоянно проследить; И что вызывает отзыв памяти.
«В Langchain мы обнаружили, что в первую очередь было полезно определить навыки, которые должен быть вашему агенту, чтобы иметь возможность учиться, составить их с конкретными типами или подходами памяти, и только затем внедрить их в вашем агенте», – говорится в блоге.
Недавние исследования и эти новые предложения представляют собой только начало разработки инструментов, чтобы дать агентам более длительную память. И поскольку предприятия планируют развертывать агентов в более широком масштабе, память предоставляет компании возможность дифференцировать свои продукты.
Source link
