GAAMA: Memoria Potenziata da Grafi per Agenti AI

Un recente studio presenta GAAMA (Graph Augmented Associative Memory for Agents), un framework volto a dotare gli agenti AI di una memoria a lungo termine persistente attraverso varie interazioni con l'utente. Le tecniche esistenti, come il recupero-aumentato generazione (RAG) piatto, non riescono a mantenere le connessioni strutturali tra i ricordi, mentre i grafi di conoscenza incentrati su entità incontrano problemi di mega-hub nei dati conversazionali, riducendo il flusso di rilevanza. GAAMA sviluppa un grafo di conoscenza mediato da concetti attraverso un processo in tre fasi: preservare episodi testuali, estrarre fatti atomici e nodi concettuali a livello di argomento utilizzando LLM, e sintetizzare riflessioni avanzate. Questo grafo presenta quattro tipi di nodi (episodio, fatto, riflessione, concetto) collegati da cinque tipi di archi strutturali, con i nodi concettuali che consentono una traversata trasversale per mitigare l'effetto mega-hub. L'articolo è disponibile su arXiv con identificatore 2603.27910.