O-Mem: Новая система памяти для персонализированных агентов

Введение

Недавние достижения в области агентов на базе больших языковых моделей (LLM) продемонстрировали значительный потенциал в создании ответов, похожих на человеческие. Однако они продолжают сталкиваться с трудностями в поддержании долгосрочных взаимодействий в сложных условиях, в первую очередь из-за ограничений в контекстной согласованности и динамической персонализации.

Проблемы существующих систем памяти

Существующие системы памяти часто зависят от семантической группировки перед извлечением информации, что может игнорировать семантически несущественную, но критически важную информацию о пользователе и вводить шум в извлечение данных.

Предложение O-Mem

В этом отчете мы предлагаем первоначальный дизайн O-Mem — новой системы памяти, основанной на активном профилировании пользователей, которая динамически извлекает и обновляет характеристики пользователей и записи событий на основе их активных взаимодействий с агентами.

Ключевые особенности O-Mem

• Поддержка иерархического извлечения атрибутов личности и контекста, связанного с темой.
• Обеспечение более адаптивных и согласованных персонализированных ответов.

Результаты

O-Mem достиг 51.67% на публичном бенчмарке LoCoMo, что почти на 3% лучше, чем LangMem, предыдущая передовая модель. На тесте PERSONAMEM O-Mem показал 62.99%, что на 3.5% лучше, чем A-Mem, предыдущая модель. O-Mem также повысил эффективность времени отклика токенов и взаимодействий по сравнению с предыдущими системами памяти.