Одержимость индустрии технологией генерации с дополнением выборки (RAG) упирается в жесткий потолок. Для автономных систем, перегруженных долгосрочными мультимодальными данными, простое извлечение подходящих фрагментов перестает быть решением — оно становится узким местом. Исследователи из HKUST и ByteDance указали на «несоответствие поиска и анализа»: фундаментальный провал современных систем памяти при обработке запросов, требующих логики, а не просто нахождения файла. Когда агенту нужно вычислить среднее значение или отследить временной тренд, традиционный поиск либо упускает общую картину, выбирая слишком мало образцов, либо забивает контекстное окно избыточными и нерелевантными данными.
Концепция аналитической памяти
Решением стала концепция аналитической памяти, реализованная в рамках архитектуры ADAMM. Это не просто очередной слой индексации, а переход от восприятия истории взаимодействий как пыльного архива к работе с ней как с живым вычислительным движком, доступным для запросов. В отличие от стандартных решений, полагающихся на статические суммаризации, ADAMM проактивно извлекает пары атрибут-значение с привязкой к источнику из диалогов, изображений и метаданных. Система картирует повторяющиеся структуры, не дожидаясь, пока человек определит схему данных. Это превращает хаотичный лог скриншотов и чатов в структурированную базу данных, пригодную для высокоуровневой фильтрации и агрегации.
Главное в технической реализации
Бенчмарки на наборах данных MemEye и MemGallery подтверждают прикладную ценность подхода. ADAMM повысила производительность на 11,3% и 7,3% соответственно, в основном благодаря планировщику, который понимает, когда нужно прекратить поиск и начать вычисления.
Декомпозиция запросов пользователя на конкретные аналитические операции: ранжирование, сравнение или агрегацию. Устранение когнитивных искажений, характерных для неполной выборки данных. Автоматическое формирование структурированных активов на основе сырых логов.
Эпоха ИИ-памяти как облагороженной поисковой строки подошла к концу. Конкурентное преимущество переходит к архитектурам, которые осмысляют опыт, а не просто зеркально отражают его.
Итог
По мере того как объем мультимодальной истории взаимодействий разрастается за пределы любого контекстного окна, разработчикам автономных систем потребуются новые инструменты. Следующим шагом станет не улучшение моделей встраивания (embeddings), а переход к архитектурам, трансформирующим необработанные логи в высокоточные структурированные активы для принятия решений.