MIRIX-2.0: многоагентная система памяти для интеллектуальных агентов на основе больших языковых моделей

Долгосрочная память позволяет интеллектуальным агентам на основе больших языковых моделей персонализировать взаимодействие, сохранять согласованность и повторно использовать успешный опыт. Однако параметрическая память требует обучения, консолидация приводит к безвозвратной потере деталей, а сохранение всего объема данных делает поиск все более ресурсоемким. MIRIX-2.0 использует шесть специализированных агентов памяти для хранения полных записей, а затем строит индексы для эпизодических и семантических записей с помощью провенанс-гиперграфа, где каждый факт ссылается на исходную строку. Поиск выполняется в рамках четко заданного бюджета, и объем доказательств, необходимых для ответа на вопрос, не растет вместе с историей. AutoDream объединяет дублирующиеся якоря вне пути записи, не переписывая ни одной записи, а также преобразует сессии выполнения задач в навыки. Авторы утверждают, что система демонстрирует наивысшую точность на четырех из пяти бенчмарков по вопросам и ответам: LoCoMo 91.4%, LongMemEval-S 72.6% (на 14.3 балла выше самого сильного базового метода); в качестве процедурной памяти она показывает наивысшую среднюю частоту успешного выполнения на ALFWorld и WebShop, достигая 49.2% на MetaClaw-Bench, тогда как встроенная библиотека навыков MetaClaw обеспечивает 44.0%.

Оригинальное название: MIRIX-2.0: Multi-Agent Memory System

Долгосрочная память позволяет интеллектуальным агентам на основе больших языковых моделей персонализировать взаимодействие, сохранять согласованность и повторно использовать успешный опыт. Однако параметрическая память требует обучения, консолидация приводит к безвозвратной потере деталей, а сохранение всего объема данных делает поиск все более ресурсоемким. MIRIX-2.0 использует шесть специализированных агентов памяти для хранения полных записей, а затем строит индексы для эпизодических и семантических записей с помощью провенанс-гиперграфа, где каждый факт ссылается на исходную строку. Поиск выполняется в рамках четко заданного бюджета, и объем доказательств, необходимых для ответа на вопрос, не растет вместе с историей. AutoDream объединяет дублирующиеся якоря вне пути записи, не переписывая ни одной записи, а также преобразует сессии выполнения задач в навыки. Авторы утверждают, что система демонстрирует наивысшую точность на четырех из пяти бенчмарков по вопросам и ответам: LoCoMo 91.4%, LongMemEval-S 72.6% (на 14.3 балла выше самого сильного базового метода); в качестве процедурной памяти она показывает наивысшую среднюю частоту успешного выполнения на ALFWorld и WebShop, достигая 49.2% на MetaClaw-Bench, тогда как встроенная библиотека навыков MetaClaw обеспечивает 44.0%.

Почему это важно Долгосрочная память позволяет агентам запоминать пользователей и выполненные действия; объем доказательств, просматриваемых при каждом запросе, не растет вместе с историей, а авторы заявляют о наивысшей точности на большинстве бенчмарков по вопросам и ответам

Лайки 46 · Звезды в коде 3481

Причины

  • При отключенном AutoDream авторы утверждают, что ответы на всех пяти бенчмарках с измерением времени выполнения быстрее, чем у HyperMem
  • Работает как с закрытыми, так и с открытыми моделями без необходимости дообучения; преобразует ошибки инструментов, повторные попытки и итоговые исправления в навыки
  • Графовая память хранится в Neo4j, каждая многомерная фактологическая запись аннотируется ролями сущностей и ссылается на исходные строки памяти, что обеспечивает прослеживаемость

Использование

  • Код: https://github.com/Mirix-AI/MIRIX(Apache-2.0,基于 Letta)
  • Запустите backend и панель управления с помощью docker compose up -d, создайте API-ключ в панели, затем используйте MirixClient после установки pip install mirix-client для записи диалогов и поиска памяти; графовая память по умолчанию отключена, для ее активации необходимо запустить Neo4j и установить переменную окружения MIRIX_ENABLE_GRAPH_MEMORY=true

Риски

  • Репозиторий представляет собой проект персонального ассистента MIRIX в целом, в README нет отдельного руководства по воспроизведению результатов статьи; настройки оценки графовой памяти описаны в evals/GRAPH_MEMORY.md
  • Продукт собирает данные об активности на экране для генерации памяти, перед использованием необходимо внимательно изучить настройки конфиденциальности; обновление старых баз данных требует ручного запуска скриптов миграции
  • Результаты предоставлены авторами; в рамках данной публикации тестирование не проводилось

Открыть · Код · Страница статьи на Hugging Face

Hugging Face Daily Papers

Открыть последние новости ИИ