Современные нейросети часто ведут себя как собеседники с плохой памятью: через несколько страниц диалога они могут начать путаться в деталях или вовсе «забывать» важные вводные. Проблема не в отсутствии данных, а в том, как система их извлекает. Исследователи из Национального университета Сингапура предложили решение — фреймворк MRAgent, который меняет саму логику работы с памятью, превращая её из пассивного архива в активный процесс мышления.
Почему старые методы работы с памятью буксуют
Традиционные системы используют поиск по сходству: когда вы задаете вопрос, ИИ ищет похожие фрагменты в базе данных и «скармливает» их модели. Этот подход создает три критических барьера:
- Отсутствие гибкости: система не может изменить стратегию поиска в процессе размышления. Если ИИ нашел документ и понял, что в нем не хватает даты или имени, он не может автоматически сформировать новый запрос.
- Информационный шум: алгоритмы часто возвращают слишком много похожих, но бесполезных кусков текста, которые забивают контекстное окно и мешают нейросети сосредоточиться на главном.
- Статичность: методы вроде «top-k» (выборка лучших результатов) работают хорошо для простых задач, но пасуют перед сложными, многоэтапными сценариями, где нужно связывать разрозненные факты.
Как работает активная реконструкция памяти
MRAgent отказывается от схемы «сначала найди, потом подумай». Вместо этого он использует принцип, вдохновленный когнитивной нейробиологией: память здесь — это интерактивная среда. Когда вы даете сложное задание, агент начинает исследовать структуру памяти, оценивая собранные улики на каждом шаге.
Механизм построен на системе Cue-Tag-Content, которая работает как многоуровневый фильтр:
- Cues (Подсказки) — это мельчайшие детали: сущности, атрибуты или ключевые слова из вашего запроса.
- Tags (Теги) — смысловые мостики, которые связывают подсказки с конкретными данными, позволяя ИИ понять связь еще до того, как он начнет читать основной текст.
- Content (Контент) — сама память, разделенная на эпизодическую (конкретные события) и семантическую (факты и предпочтения).
Проще говоря, ИИ сначала оценивает «теги», чтобы понять, стоит ли вообще открывать «папку» с подробностями. Если связь не подтверждается, он отбраковывает лишнее, не тратя ресурсы на чтение ненужного контента.
Что это дает на практике
Эффективность новой архитектуры подтверждена тестами на бенчмарках LoCoMo и LongMemEval. При использовании моделей Gemini 2.5 Flash и Claude Sonnet 4.5 результаты оказались впечатляющими:
- Экономия ресурсов: MRAgent потребляет всего 118 тыс. токенов на образец, в то время как аналогичная система A-MEM требует 632 тыс. токенов.
- Скорость работы: время обработки сократилось до 586 секунд против 1 122 секунд у конкурентов.
- Точность: архитектура стабильно обходит все базовые модели по качеству ответов в сложных сценариях.
Что это значит для вас
Для обычного пользователя или разработчика это означает появление более «внимательных» помощников. Если вы используете ИИ для анализа длинных юридических договоров, планирования сложных проектов или ведения долгой переписки, технология MRAgent позволяет системе сохранять контекст без потери качества. Вам не придется постоянно напоминать нейросети детали из начала разговора — она будет сама выстраивать логические связи между ними.
Если вы занимаетесь разработкой, стоит обратить внимание на открытый код MRAgent на GitHub. Авторы подчеркивают, что процесс загрузки данных в систему намеренно упрощен: для создания графа памяти не нужно вручную размечать данные — автоматический конвейер на базе ИИ сделает это за вас. Подробнее: AI-агенты — не ваши новые коллеги. Почему их нужно считать инструментами, а не сотрудниками.
