Как инженерным командам в enterprise-сегменте прекратить оплачивать избыточный контекст LLM и заставить веб-агентов сохранять только те данные, которые повышают качество принимаемых решений? Стандартный подход к формированию контекста на основе семантической близости — с использованием инструментов вроде BM25 — не гарантирует, что извлеченные воспоминания реально помогут агенту при выполнении многоэтапных задач. На практике фрагменты памяти, наиболее близкие семантически к текущему состоянию, лишь раздувают контекстное окно без роста точности действий, кратно увеличивая расходы на токены при длинных цепочках выполнения. Переход от критерия семантической релевантности к предельной полезности для решений снижает затраты на инференс и предотвращает деградацию автономных веб-агентов на длинных горизонтах планирования.
Разработка надежных веб-агентов, действующих на длинных горизонтах, требует нейтрализации отложенных угроз и накопления исторических ошибок. В сентябре 2026 года исследование уязвимостей постоянной памяти искусственного интеллекта показало, как многоэтапные траектории атак эксплуатируют долгосрочное удержание контекста в корпоративных контурах. Анализ команды из University of Calgary, изучившей 2614 смоделированных многоэтапных траекторий атак на агентов с памятью по четырем векторам угроз — отравление цепочки, переписывание политик, активация бэкдоров и медленный дрейф, — наглядно подтвердил эти риски. Управление тем, что именно агент удерживает в памяти на протяжении длительных операционных последовательностей, становится одновременно вопросом оптимизации бюджетов и базовым требованием к архитектурной стабильности.
Оценка полезности решений через контрфактический анализ
Чтобы устранить это архитектурное узкое место, исследователи Цюаньцзян Го (Quanjiang Guo), Цяньян Чжу (Qianyang Zhu), Бэн Чжан (Ben Zhang), Цзиньчуань Чжан (Jinchuan Zhang), Кэ Янь (Ke Yan) и Чжао Кан (Zhao Kang) из UESTC совместно с Сыцзе Ваном (Sijie Wang) из Nanyang Technological University представили фреймворк MemCredit. Это ориентированная на принятие решений система памяти, которая заменяет семантическую близость метрикой полезности для конкретного действия. Вместо априорного предположения о ценности семантически связанного текста, MemCredit оценивает маржинальный вклад каждого отдельного воспоминания с учетом текущего состояния, референсного контекста и политики агента через контролируемые контрфактические интервенции. Затем эти полученные расчетным путем оценки дистиллируются в легковесный модуль оценки полезности.
«Существующие методы преимущественно оптимизируют хранение, извлечение или сжатие данных, однако наиболее семантически близкие к текущему состоянию воспоминания вовсе не обязательно сильнее всего улучшают действие агента», — подчеркивают авторы разработки.
Контрфактический подход показывает, что полезность воспоминаний в задачах с длинным горизонтом предельно разрежена. Этот факт напрямую опровергает распространенное убеждение, согласно которому высокая полнота семантического поиска ведет к более качественным решениям. Большая часть извлекаемого контекста представляет собой балласт, раздувающий вычислительные расходы без какого-либо влияния на выбор действий агента.
Сохранение высокой полноты выборки при жестком лимите токенов
На этапе инференса MemCredit задействует семантическую релевантность исключительно для генерации широкого пула кандидатов с высокой полнотой охвата. Затем прогнозируемая полезность определяет, какие именно воспоминания попадут в фиксированный бюджет токенов — без изменения базовой политики агента и без необходимости дополнительных итераций взаимодействия со средой. Разделяя поиск кандидатов и аллокацию токенов, системные архитекторы получают возможность жестко ограничивать бюджет контекста без ущерба для операционной эффективности.
MemCredit достигает наивысшего балла выполнения задач при соблюдении строгих лимитов на токены на протяженных горизонтах тестирования.
Такое сокращение напрямую меняет юнит-экономику автономных веб-агентов. Результаты тестирования на бенчмарках ALFWorld и WebShop в сравнении с классическими базовыми моделями памяти показали: MemCredit удерживает показатель успешности на уровне 86,57% против 65,67% у BM25 в условиях жесткого лимита исторической памяти в 500 токенов.
По мере масштабирования корпоративных внедрений LLM — от базовых одношаговых промптов до веб-агентов с длинным горизонтом планирования — управление контекстным окном превращается в ключевую статью расходов. Фильтрация истории взаимодействий по критерию прогнозируемой полезности решений вместо текстового сходства разрывает линейную зависимость между длиной траектории и накладными расходами на инференс. Системы, заменяющие традиционный поиск компактными модулями оценки полезности, сокращают потребление токенов при сохранении точности выполнения сложных бизнес-задач.
На фоне других
Раньше инженеры накачивали контекст агента семантически близкими данными через инструменты вроде BM25, а теперь MemCredit отсекает этот платный балласт ради конкретных решений. В начале сентября [развивающаяся библиотека после пяти итераций прогрева] (ref:1) уже приносила прибавку к средней оценке до 18,6 процентного пункта, но бесконечно копить опыт мешают риски отравления цепочки и банальная деградация на длинных траекториях. Оценивать маржинальный вклад каждого воспоминания контрфактическими интервенциями куда выгоднее, чем оплачивать пустые токены в надежде на точность модели. Индустрия годами покупала семантическую близость в контекстном окне, пока исследователи не выяснили, что решения агента определяют единичные воспоминания.
Наши материалы: Долгая память для UI-агентов снижает расходы токенов (8 сентября).