Architettura di Memoria Basata su Meccanismi Biologici Migliora le Performance degli Agenti LLM

Un recente articolo di ricerca svela un'architettura di memoria per agenti LLM, ispirata alle funzioni cognitive umane. Questo sistema include sei distinti meccanismi: consolidamento durante la fase di sonno, oblio guidato dall'interferenza, maturazione dell'engramma, riconsolidamento durante il recupero, grafi di conoscenza delle entità e recupero ibrido multi-cue. Ogni meccanismo affronta una specifica modalità di fallimento associata all'accumulo di memoria di base. Inoltre, gli autori introducono un approccio di calibrazione sintetica che stabilisce tutte le soglie del pipeline senza fare affidamento su dati di benchmark, prevenendo così la fuga di valutazione. L'architettura è stata testata su due benchmark: un dataset di tracciamento dei problemi di VSCode (13K problemi, 120K eventi), dove il consolidamento basato sulla deduplicazione ha raggiunto una precisione di ritenzione del 97,2% con una riduzione dello storage del 58% (+21,8 pp rispetto alla baseline), e il benchmark LongMemEval per chat personali, che ha presentato la prima valutazione M-t in streaming.