H-Mem: Meccanismo di Memoria Ibrido per Agenti LLM
I ricercatori propongono H-Mem, un nuovo meccanismo di memoria per agenti basati su LLM come OpenClaw e Manus. Utilizza una struttura ibrida che combina un albero temporale e semantico con un grafo di conoscenza per modellare l'evoluzione della memoria e migliorare il recupero. L'albero consente alla memoria a breve termine di evolversi in memoria a lungo termine, mentre il grafo di conoscenza cattura le relazioni. Questo affronta le scarse prestazioni nell'utilizzo della memoria per compiti di domanda-risposta. Il lavoro è pubblicato su arXiv con ID 2605.15701.
Fatti principali
- H-Mem è un meccanismo di memoria per agenti basati su LLM.
- Utilizza una struttura ibrida con un albero temporale e semantico e un grafo di conoscenza.
- L'albero consente alla memoria a breve termine di evolversi in memoria a lungo termine.
- Il grafo di conoscenza cattura le relazioni tra i dati di memoria.
- Mira a migliorare il recupero e l'utilizzo della memoria per compiti di QA.
- L'articolo è su arXiv con ID 2605.15701.
- OpenClaw e Manus sono esempi di agenti basati su LLM.
- I lavori precedenti mancavano di una modellazione e un recupero della memoria basati su principi.
Entità
Istituzioni
- arXiv