Оглавление

Исследователи представили Zero-Mem — открытый фреймворк для управления долгосрочной памятью ИИ-агентов, который полностью исключает потребность в токенах при записи и поиске информации. Как сообщает Open Source For You, новая архитектура позволяет ИИ сохранять контекст общения без постоянного обращения к большим языковым моделям (LLM), что существенно снижает операционные расходы.

Традиционные системы памяти обычно нагружают LLM задачами по суммаризации диалогов или поиску нужных фрагментов, что неизбежно ведет к росту задержек и счетов за облачные вычисления. В Zero-Mem языковая модель подключается лишь однажды — на финальном этапе формирования ответа пользователю, когда вся необходимая информация уже извлечена из архива детерминированными алгоритмами.

Вместо того чтобы полагаться на сгенерированные пересказы, система сохраняет оригинальные следы взаимодействий в качестве постоянного источника истины. Это не только экономит ресурсы, но и избавляет от «галлюцинаций», которые часто возникают, когда одна нейросеть пытается кратко пересказать то, что ранее написала другая.

Архитектурные особенности и механизмы работы

Для организации данных Zero-Mem использует две дополняющие друг друга структуры: граф сущностей и контекста, связывающий объекты между разговорами, и временную иерархию, сохраняющую хронологию сессий. При получении запроса система динамически сопоставляет данные из обеих структур, чтобы найти наиболее релевантные воспоминания.

Важным этапом является стадия детерминированной калибровки, которая отфильтровывает противоречивую или устаревшую информацию. Поскольку управление памятью опирается на четкие алгоритмы, а не на вероятностные выводы нейросети, процесс становится прозрачным и легко отслеживаемым, что критически важно для корпоративных систем.

Отказ от использования LLM для обслуживания собственной памяти — это не просто экономия, а признание того, что нейросети слишком дороги для простых операций сопоставления. Zero-Mem переносит логистику данных на классические алгоритмы, оставляя творчество моделям. Однако жесткая привязка к оригинальным логам может создать избыточность в действительно длинных сессиях, где смысл важнее дословности. Эффективный костыль для кошелька, но пока не полноценный мозг.

Производительность и области применения

Результаты тестирования на наборах данных для длинного контекста показали, что Zero-Mem сокращает время операций с памятью на 57,6% по сравнению с самыми быстрыми существующими решениями. При этом точность ответов остается на конкурентном уровне, что делает технологию привлекательной для масштабируемых ИИ-развертываний.

Разработчики выделяют несколько ключевых характеристик фреймворка:

  • Полное отсутствие затрат токенов на хранение и поиск данных.
  • Использование оригинальных диалогов вместо неточных суммаризаций.
  • Механизмы разрешения конфликтов в данных для повышения надежности.
  • Высокая пригодность для Edge AI и сред с повышенными требованиями к приватности.

Фреймворк ориентирован на создание автономных агентов, корпоративных помощников и робототехнических платформ, которым требуется устойчивая память в течение длительного времени. В условиях, когда контекстное окно становится все дороже, подобные инженерные решения могут стать стандартом для индустрии, уставшей платить за каждый байт «воспоминаний» своего ИИ.