MemPrism: Memoria Relazionale Condizionata dal Compito per Agenti a Lungo Orizzonte

Un nuovo studio su arXiv (2608.06745) introduce MemPrism, un framework progettato per migliorare gli agenti a lungo orizzonte gestendo la memoria relazionale in base a compiti specifici. Separa le esperienze persistenti dalla memoria di lavoro utilizzata durante il processo decisionale, affrontando il problema in cui le informazioni rilevanti non sono prontamente strutturate per l'uso. MemPrism registra le interazioni come un flusso di eventi e crea prospettive relazionali che si adattano al compito in questione. Impiega una politica semplificata per definire la struttura delle relazioni e le condizioni, mentre un compositore deterministico trasforma i dati passati in una vista temporanea di memoria di lavoro per una politica di compito fissa. I test mostrano che MemPrism migliora significativamente le prestazioni dei compiti in benchmark embodied e web-agent a lungo orizzonte. La ricerca è classificata sotto intelligenza artificiale e apprendimento automatico ed è stata recentemente condivisa su arXiv.