Memory Harnesses for Long-Running Research Agents — Stefania Druga, Sakana.ai
Stefania Druga från Sakana.ai testade hur AI-agenter kan minnas information under längre arbetsuppgifter.
Hon byggde ett minnessystem som fungerar som en skrivning-hantering-läsning-loop runt modellen, inte en enkel databas. Det viktigaste resultatet var negativt: när all information redan fick plats i modellens korttidsminne (context window) gjorde minnet ingen skillnad — bara högre kostnad. Men när svaret låg långt ut — på steg 124 medan frågan kom på steg 500 — blev minnet helt avgörande. Hennes bästa approach var en rangordnad lista över tidigare beslut, vilket slog både slumpmässig sökning och en "oracle" som fick perfekt minne. Hon körde experimenten på en lokal dator i Tokyo med fläktar runt den.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.