Proactive Memory Agent повышает точность длинных задач на 8%: что нужно знать

Исследователи представили Proactive Memory Agent (PMA) — модуль, который активно отслеживает выполнение задачи и вставляет напоминания основному агенту, когда это необходимо. Это решение решает проблему потери релевантной информации в длинных траекториях, что повышает успешность выполнения на 8 процентных пунктов. В отличие от пассивных методов, таких как RAG или полный контекст, PMA действует как отдельный агент памяти, предотвращая так называемое поведенческое затухание состояния.

Как работает Proactive Memory Agent

PMA состоит из трех ключевых компонентов: структурированная банка памяти, модуль обновления и модуль принятия решения. Банка памяти хранит требования задачи, факты среды, результаты предыдущих попыток, диагнозы и открытые подзадачи. Модуль обновления извлекает актуальную информацию из недавней траектории, а модуль принятия решения определяет, когда вставить напоминание, а когда промолчать. Важно, что PMA работает параллельно с основным агентом, не требуя изменений в его коде.

Почему это важно для современных AI-агентов

Современные агенты на основе языковых моделей все чаще используются для длительных задач — многошаговых операций в терминале, веб-навигации, автоматизации DevOps. По мере роста длины траектории ключевые факты могут выпадать из контекстного окна или быть погребены под новыми данными. Пассивные методы, такие как RAG, не всегда эффективны, так как они не учитывают динамику задачи. PMA предлагает активное вмешательство: он решает, когда напомнить агенту о важном, что значительно повышает успешность выполнения.

Какие результаты показало тестирование?

Тестирование на бенчмарках Terminal-Bench 2.0 и τ²-Bench показало прирост pass@1 на +8.3 и +6.8 процентных пункта соответственно. Абляционные эксперименты подтвердили, что селективное вмешательство превосходит пассивное предоставление памяти, постоянную инъекцию, советника и общий поиск. Кроме того, авторы обучили модель Qwen3.5-27B на датасете SETA с использованием SFT и GRPO, что улучшило валидационную награду и частично перенеслось на Terminal-Bench.

Кому будет полезен Proactive Memory Agent?

Разработчики агентов, исследователи в области долгосрочного планирования и инженеры, создающие системы автоматизации (например, для DevOps, веб-скрапинга или робототехники), смогут интегрировать PMA с существующими фреймворками. Модуль не требует изменения кода основного агента, что упрощает внедрение.

Какие ограничения пока остаются?

Неясно, насколько хорошо PMA масштабируется на задачи с тысячами шагов или на мультиагентные сценарии. Также не исследовано влияние на задачи, где напоминания могут быть контрпродуктивны, например, при высокой неопределенности. Дальнейшие исследования должны прояснить эти аспекты.