Brain: Agentenbasierter Speicher als Wissens-Wiki

Computer-Benutzer verrichten Arbeit, die sich über Monate und Hunderte von Sitzungen erstreckt. Bis zur zehnten Sitzung sollte das System weitaus produktiver sein als bei der ersten. Es sollte Kontext über den Benutzer, dessen Präferenzen und die bereits geleistete Arbeit akkumulieren.

Wenn Computer beispielsweise aufgefordert wird, ein Diagramm eines zuvor vom Benutzer erklärten Workflows zu zeichnen, sollte er sich an die Details erinnern und diese nutzen, um eine Abbildung im bevorzugten Stil des Benutzers zu erstellen und auszugeben. Der Benutzer sollte die Details des Workflows nicht erneut erklären oder seine Präferenz für PDF- statt PNG-Artefakte wiederholen müssen; das System sollte in der Lage sein, diesen Kontext genau aus vergangenen Sitzungen wiederherzustellen und automatisch anzuwenden.

Der Speicher ist das Fundament der kontinuierlichen Agentenverbesserung. Ein effektives Speichersystem sollte strukturiert, nachvollziehbar und anpassungsfähig sein, sodass Agenten für jede Aufgabe in der richtigen Breite und Tiefe suchen können, während jede Entscheidung auf den aktuellsten Informationen fundiert.

Einleitung

Agenten mit relevantem Kontext auszustatten ist ein vielschichtiges Problem. Erstens müssen Agenten wissen, was existiert und wie darauf zu the zugreifen ist. Zweitens müssen sie, wenn sie eine hilfreiche Information finden, sicher sein, dass diese vollständig, akkurat und aktuell ist. Eine isolierte Tatsache ist von begrenztem Wert, es sei denn, der Agent kann zusammenhängende Informationen finden, verifizieren, dass sie aus einer vertrauenswürdigen Quelle stammen, und sicherstellen, dass sie nicht mit einer aktuelleren Beobachtung aktualisiert werden muss.

Das direkte Einfügen statischer Speicherdateien in den Modellkontext maximiert die Zugänglichkeit für Agenten, führt jedoch zu einem klassischen Präzisions-Abruf-Kompromiss. Zu viele Informationen saturieren das Kontextfenster des Agenten mit Elementen von zunehmend geringerer Relevanz, während zu wenige die Antwortqualität aufgrund eines Mangels an relevantem Kontext verschlechtern. Im Gegensatz dazu ist der On-Demand-Zugriff auf externe Datenbanken flexibler, verlagert jedoch die Last der Navigation auf den Agenten. Vektorendatenbanken speichern häufig unverbundene Fragmente, und Graphendatenbanken erfordern, dass Agenten wissen, wie sie effektiv abfragen.

Kürzlich haben wir Brain eingeführt, eine Kernkomponente des Speichersystems von Computer, die das Beste aus beiden Welten vereint. Brain ist ein strukturiertes Wissenswiki, das auf statischen Speicherdateien und Evidenzen aufbaut. Zitationen verknüpfen Behauptungen mit ihren Quellen, und zusammengehörige Informationen sind lateral verbunden. Das organisierte Wiki macht den Kontext bei Bedarf navigierbar, während detaillierte Artefakte in der darunterliegenden Schicht erhalten bleiben.

Brain verbindet sich mit einem umfassenden Speichersystem mit drei Hauptkomponenten: dauerhaftem Speicher, Vordergrundagenten, die Speicher zur Beantwortung von Abfragen verwenden, und Hintergrundagenten, die den Speicher aktualisieren und verbessern. Die folgende Abbildung zeigt diese Komponenten eingebettet in die Gesamtsystemarchitektur von Brain.

In diesem Artikel beschreiben wir jede Schicht im Detail und erklären, wie Brain den Speicher organisiert, wie Agenten ihn nutzen und wie Hintergrundprozesse ihn auf dem neuesten Stand halten. Wir präsentieren zudem Ergebnisse interner Evaluierungen, die das Design von Brain validieren und demonstrieren, dass es die Agentenleistung bei geringeren Kosten verbessert.

Speicherorganisation und -speicherung

Der Speicher benötigt eine Repräsentation, die auf die gesamte Historie eines Benutzers skaliert, ohne jedes Kontextelement in den Prompt zu zwingen. Das Speichersystem von Computer repräsentiert persistenten Kontext als Dateisystem. Brain synthetisiert Wissen über Rohquellen hinweg, verbindet zusammengehörige Themen und verknüpft Behauptungen mit den Sitzungen und Dateien, die sie unterstützen. Diese unten näher erläuterte Struktur ermöglicht es uns, den Speicher in einer für Agenten besonders gut geeigneten Form zu organisieren.

Dateisystembasierter Speicher

Computersitzungen befinden sich bereits in einer Sandbox mit Dateisystem, Shell und E/A-Dienstprogrammen. Bei der Entwicklung von Brain wollten wir so wenig neuen Mechanismus wie möglich in die Schnittstelle zwischen Modell und Agentenspeicher einbringen. Aus diesem Grund haben wir Brain auf einer dateisystemnativen Kontextschicht aufgebaut. Der Speicher wird als Dateien in der Sandbox unter einem memory/-Verzeichnis materialisiert, und der Agent verwendet für die Speicherdateien einfach dieselben Tools wie für alle anderen auch.

An der Wurzel des Speicherbaums befinden sich drei Verzeichnisse der obersten Ebene, die den Kontext auf verschiedenen Abstraktionsebenen pflegen. knowledge/ ist das Brain selbst, ein synthetisiertes Wissenswiki, das Entitäten, Konzepte, aktive Projekte und vergangene Lernerfolge verknüpft; notes/ enthält destillierte Snippets, die in thematischen Ordnern organisiert sind; und sessions/ enthält Indizes, Zusammenfassungen und vollständige Transkripte als Rohverläufe. Die Abbildung unten zeigt eine vereinfachte Ansicht des Layouts.

Die Oberflächen sind bewusst redundant. Für einfache, einstufige Fragen reicht es oft aus, innerhalb von /notes nach Snippets für ein Schlüsselwort zu suchen, während die /knowledge-Schicht am nützlichsten für Fragen ist, die das Verknüpfen von Evidenzen über Wochen oder Monate von Computersitzungen hinweg erfordern.

Brain: Das Wissenswiki

Brain ist als LLM-Wiki formatiert, ein System verknüpfter Markdown-Dateien. Diese Form von leicht strukturiertem Markdown bietet eine ganzheitliche Ansicht des bestehenden Kontexts, sodass Agenten leicht verstehen können, welche Datensätze verfügbar sind, wie sie zusammenhängen und wo sie zu finden sind. Jede Seite ist eine gewartete Ansicht eines Themas; sie soll beim Alleinlesen nützlich bleiben und gleichzeitig eine einfache Weitererkundung durch Links ermöglichen.

Links gibt es in zwei Arten. [[wikilinks]] sind Kontextkanten. Sie verbinden Seiten lateral; ein Projekt kann auf seinen Eigentümer, seinen Kunden oder die Konzepte verweisen, von denen es abhängt. Ihnen zu folgen beantwortet „Was muss ich sonst noch wissen?“ [cite:N]-Referenzen sind Evidenzkanten. Sie verbinden Behauptungen nach unten mit den rohen Sitzungen oder Konnektorquellen, die sie unterstützen. Ihnen zu folgen beantwortet „Woher weiß ich, dass das wahr ist?“

Die Abbildungen unten zeigen, wie ein Teil von Brain für eine synthetische Persona, eine Barrierefreiheitsforscherin namens Nadia, aussehen würde. Ihr Brain enthält eine Seite zu einem Beispielprojekt, einem universellen Design-Sprint in Japan, das Wissen aus Sitzungen und Konnektoren synthetisiert. Die Graphansicht veranschaulicht, wie die auf der Seite vorhandenen Kontext- und Evidenzkanten verwandte Entitäten und Quellen verknüpfen.

Brain ist Git-gesichert, um den Versionsverlauf zu wahren, und unterstützt dessen sich ständig weiterentwickelnde Natur. Seiten können im Laufe der Zeit bearbeitet werden, während Änderungsprotokolle wichtige Aktualisierungen aufzeichnen und Agenten die einfache Überprüfung vergangener Versionen und Diffs ermöglichen. Dies unterstützt zudem die agentenbasierte Koordination, was von entscheidender Bedeutung ist, da mehrere Agenten Brain gleichzeitig nutzen und aktualisieren können.

Verwendung von Brain

Bei der Beantwortung von Benutzeranfragen müssen Agenten in der Lage sein, den richtigen Kontext auf dem richtigen Detaillierungsgrad zu finden. Die Struktur von Brain macht es Agenten leicht, den Speicher zu erkunden. Agenten können zwischen umsetzbaren Schritten wählen, wie etwa dem Folgen von Kontext-Links zum Finden verwandter Informationen, dem Folgen von Evidenz-Links zum Verifizieren von Behauptungen oder dem Aufrufen eines Unteragenten zum Beschaffen und Synthetisieren zusätzlicher Kontexte. Wir steuern den agentenbasierten Erkundungsprozess auf verschiedene Weise, die darauf abzielen, den einfachen Zugriff der Agenten auf relevante Informationen zu maximieren.

Erkundungsstrategie

Wir fügen eine kompakte Indexdatei von Brain in die erste Benutzernachricht ein, sodass der Agent mit Arbeitswissen darüber beginnt, was bereits existiert. Der Agent interagiert daraufhin mit Brain über vertraute Operationen: Lesen spezifischer Elemente, auf die der Index verweist, Verwendung von grep zur Suche über Seiten hinweg, Folgen von Links und Inspizieren von Zitationen, Vergleichen von Git-Revisionen sowie Absteigen in Sitzungen oder Rohverläufe. Der folgende Codeblock zeigt Beispielbefehle für eine synthetische Persona.

Agenten erforschen diesen Kontext durch eine selbstgesteuerte Schleife anstelle einer festen Pipeline. Daher kann der Agent so lange weitersuchen, bis er mit dem gefundenen Kontext zufrieden ist. Der Agent kann auch wählen, wann er Zitationen und Evidenzen inspiziert, um Details zu finden oder zu verifizieren. Eine geringfügige Präferenzfrage kann direkt von einer einzelnen Brain-Seiten übernommen werden, während eine folgenschwere Entscheidung oder ein Konflikt zwischen Quellen es rechtfertigen kann, der Zitation zu folgen und den Originaldatensatz zu lesen. Die graphbasierte Struktur ermöglicht es dem Agenten, zwischen konkreten nächsten Schritten zu wählen, anstatt ziellos nach verwandten Informationen zu suchen.

Dateimaterialisierung

Damit die agentenbasierte Erkundung funktioniert, muss der Agent Zugriff auf den gesamten memory/-Baum über das Sandbox-Dateisystem haben. Das lokale Kopieren des gesamten Baums bei jedem Bootvorgang einer Sandbox ist teuer und unnötig, da der Agent die allermeisten dieser Dateien nicht berühren wird. Eine weitere Option wäre die Verwendung eines Remotefateisystems, sodass Agenten auf jede Datei zugreifen können, ohne sie lokal zu kopieren. Agenten führen jedoch häufig Tausende von Dateisystemoperationen in einem einzigen Befehl aus; wenn jede davon zu einer Netzwerkanfrage wird, beginnen die Round-Trip-Kosten die Erkundungsschleife zu dominieren. Bei internen Tests waren einfache grep-Workloads über einen Remote-FUSE-basierten Pfad etwa 400- bis 500-mal langsamer als die entsprechenden Operationen bei lokalen Dateien.

Stattdessen bauen wir einen lokalen Arbeitssatz materialisierter Dateien auf, während sich das größere Korpus hinter einem Speicherabrufsystem befindet. Computer lädt beim Booten eine anfängliche Karte (aus jüngsten Erinnerungen, Sitzungen, Zusammenfassungen und verfügbarem Wissen) auf die Sandbox vor. Computer-Agenten haben Zugriff auf einen Memory Agent, einen Unteragenten, der semantische Suche durchführen und einen neuen Satz von Dateien laden kann. Wenn benötigter Kontext fehlt, kann Computer den Memory Agent mit einer Beschreibung der erforderlichen Informationen aufrufen. Der Memory Agent durchsucht Dateien, gibt eine sofortige Textsynthese zurück und materialisiert die unterstützenden Datensätze als Dateien unter dem Speicherbaum. Auf diese Weise expandiert der Arbeitssatz im Laufe der Zeit auf natürliche und schrittweise Weise, wodurch stabile Pfade und Quellenbeziehungen für bereits vorhandene Evidenzen gewahrt bleiben.

Dieses Design löst das Latenz-Engpass-Problem auf elegante Weise. Das lokale Speichern relevanter Dateien stellt sicher, dass die für die Erkundung erforderlichen Dateisystemoperationen schnell bleiben, und der stapelweise Abruf ermöglicht es, dass der Pool materialisierter Dateien wächst, ohne separate Aufrufe für jede einzelne Datei zu erfordern oder eine große Anzahl irrelevanter Dateien zu laden. Das Design mit geschachtelten Agenten verleiht Computer zudem die Vorteile des agentenbasierten Abrufs, ohne dass der Hauptagent jedes Mal direkt das gesamte Backend-Korpus durchsuchen muss, wodurch sein eigenes Kontextfenster für Informationen mit höchstem Wert geschont wird.

Wartung von Brain

Benutzer lernen kontinuierlich aus der Arbeit, die sie verrichten, und den Unterhaltungen, die sie führen, weshalb der agentenbasierte Speicher dasselbe tun muss. Damit Brain nützlich bleibt, sollte es eine prägnante Repräsentation des wichtigsten Wissens sein. Neue Seiten sollten für wichtige neue Entitäten erstellt werden, neue Informationen sollten den relevanten Brain-Seiten hinzugefügt werden, und veralteter Kontext sollte rechtzeitig entfernt werden. Ändert sich beispielsweise der Job eines Benutzers, sollte Brain diese Änderung widerspiegeln; es sollte den neuen Job des Benutzers enthalten und Informationen priorisieren, die sich auf dessen neue Verantwortlichkeiten und Projekte beziehen.

Brain wird von Hintergrundagenten gewartet, die wir Dream nennen. Dream-Agenten laufen offline über den dateifreien Speicher und synthetisieren neue Informationen in Brain-Aktualisierungen. Wir haben den Umfang und das Verhalten von Dream-Agenten sorgfältig definiert, um diese Aufgabe effizient auszuführen, ergänzt durch Dream-spezifische Leitplanken, um sicherzustellen, dass Brain-Aktualisierungen konsistent und akkurat sind.

Dream: Hintergrundagenten zur Speicherverfeinerung

Dream-Agenten laufen in Sandboxes mit Zugriff auf dasselbe Dateisystem und dieselben schreibgeschützten Tools, über die eine interaktive Computersitzung verfügen würde, aber ihr alleiniges Ziel ist es, den Kontext für zukünftige Sitzungen zu verbessern. Jeder Durchlauf beginnt mit dem von früheren Durchläufen erzeugten Brain, anstatt den Kontext des Benutzers von Grund auf neu aufzubauen. Er verwendet dann dieses aktuelle Brain zur Orientierung und erzeugt ein aktualisiertes Brain für die Verwendung in zukünftigen Durchläufen.

Ein Dream-Agent erhält eine Umgebung und entscheidet, wie er diese erkundet, anstatt eine feste, in einen einzigen Prompt gepresste Eingabe zu erhalten. Er kann dateifreien Speicher navigieren, zugelassene schreibgeschützte Konnektor-Tools zur Verifizierung von Wissen verwenden und abgegrenzte Teile der Arbeit an Unteragenten delegieren, einschließlich des Memory Agent. Umfang und Verantwortlichkeiten des Dream-Agenten sind als Skill spezifiziert.

Im Großen und Ganzen besteht ein Dream-Durchlauf aus 4 Phasen:

1. Orientieren: Der Agent absolviert ein geordnetes Orientierungsverfahren. Er identifiziert den maßgeblichen Geltungsbereich, die geltenden Anweisungen, das Löschprotokoll, zusätzliche Eingaben und die Abbruchbedingungen.
2. Sitzungen zusammenfassen: Für jede Sitzung, die seit dem letzten Update neu ist (oder neue Runden hatte), schreibt (oder aktualisiert) der Agent eine kurze Zusammenfassung der Sitzung.
3. Fakten an Themen anhängen: Der Agent fügt jede Beobachtung, die er für signifikant erachtet, ihrem richtigen Ort hinzu, bei dem es sich typischerweise um eine Wiki-Seite handelt. Er sondiert und fragt authentifizierte Konnektoren ab, sofern verfügbar.
4. Wissenswiki aktualisieren: Der Agent aktualisiert das Wiki basierend auf seinen Erkenntnissen. Er kann neue Seiten für dauerhafte Themen erstellen, Seiten überarbeiten, wenn sich die aktuelle Synthese geändert hat, oder neue Links oder Zitationen hinzufügen, die eine faktische Behauptung stützen. Er kann sich auch dafür entscheiden, keine Änderungen vorzunehmen, wenn der aktuelle Graph bereits korrekt ist.

Um sicherzustellen, dass Aktualisierungen an Brain vollständig und konsistent sind, schreiben Agenten den vorgeschlagenen Zustand in einen gestagten Ausgabebaum. Es werden keine permanenten Änderungen vorgenommen, bis der Agent alle von ihm für notwendig erachteten Aktualisierungen durchgeführt hat. Die Koordination dieser Entscheidungen in einem agentenbasierten Prozess ermöglicht es, den Graphen als Ganzes anstelle von unzusammenhängenden Seiten zu aktualisieren.

Jegliche Änderungen müssen zwei Arten von Verifizierungsprüfungen durchlaufen. Deterministische Validierungsprüfungen stellen sicher, dass Seiten wohlgeformt sind und objektive Kriterien erfüllen, wie etwa erforderliche Frontmatter- und Zitationsformate. Semantische Verifizierungsprüfungen stellen sicher, dass eine vorgeschlagene Synthese durch die gesammelte Evidenz gestützt wird und konsistent mit dem Rest des Graphen bleibt. Nachdem der Agent erfolgreich abgeschlossen hat, vergleicht ein kontrollierter Synchronisationsschritt die gestagte Ausgabe mit dem vorherigen Zustand und wendet die Änderungen auf das Repository an. Wenn ein Synchronisationsschritt abgeschlossen ist, ist der finale Satz von Bearbeitungen über den Git-Versionsverlauf einsehbar.

Validierung von Brain

Ein nützliches Speichersystem muss relevante Evidenz bewahren, bei Bedarf bereitstellen und den Agenten dabei unterstützen, diese Evidenz in eine korrekte Antwort umzuwandeln. Daher evaluieren wir Brain auf mehreren Ebenen: kontrollierte Offline-Ablationen, kontinuierliche gepaarte Wiedergabe und randomisierte Produktionsexperimente.

Offline-Evaluierungen

Unsere primäre Offline-Evaluierung verwendet einen internen Datensatz mit 640 Fragen über 44 synthetische Personas hinweg. Die Personas reproduzieren aus der Produktion abgeleitete Muster bezüglich Sitzungsfrequenz, Rundenanzahl, Themenmix und Fakten-Dichte, enthalten jedoch keine Produktionsabfragetexte, um die Privatsphäre der Benutzer zu wahren. Jedes Konto wird über die Produktionsspeicher-Pipeline befüllt, einschließlich Speicher-Extraktion, Gesprächszusammenfassungen und der Kompilierung des Wissenswikis durch Dream. Für jede Frage ist die korrekte Antwort mechanisch an spezifische Evidenz gebunden, die im Verlauf des Kontos vorhanden ist.

Für Nadia, die zuvor vorgestellte synthetische Persona der Barrierefreiheitsforscherin, enthält der Datensatz beispielsweise die Frage: „Welche Organisationen treffe ich in Kyoto und Sendai?“ Die Antwort (Sora City Lab in Kyoto und Sapphir Mobility Coop in Sendai) erscheint direkt auf der entsprechenden Wiki-Seite.

Wir vergleichen dieselben Fragen und Konten bei aktiviertem versus deaktiviertem kompilierten Wissenswiki. Andere Speicherflächen bleiben in beiden Bedingungen verfügbar. Dies isoliert den inkrementellen Beitrag von Brain, anstatt den Speicher mit keinem Speicher zu vergleichen. Insgesamt steigerte Brain die Antwortgenauigkeit von 0,600 auf 0,661 (ein Zuwachs von 6,1 Prozentpunkten) und den Evidenz-Abruf von 0,573 auf 0,625 (ein Zuwachs von 5,2 Prozentpunkten). Am größten war der Effekt bei Fragen zu Präferenzen (+10,2 Pp.), temporalem Schließen (+8,6 Pp.) und dem Extrahieren von Details aus früheren Aktivitäten (+6,9 Pp.). Bei 84 % der Fragen berührte der Agent nachweislich eine an die Gold-Evidenz gebundene Quelle.

Wir haben zudem abgeglichene Brain-Ablationen auf Teilmengen zweier öffentlicher Benchmarks durchgeführt. Auf LoCoMo reduzierte das Entfernen des Wikis die Antwortgenauigkeit im Durchschnitt um 4,6 Prozentpunkte über drei Durchläufe mit unterschiedlichen Modellen hinweg. Auf LongMemEval-S führte dies zu keiner statistisch signifikanten Änderung. Dieses Ergebnis deckt sich mit der beabsichtigten Rolle von Brain. LongMemEval-S testet primär die Wiederherstellung von Fakten aus einzelnen Sitzungen, wobei die zugrundeliegenden Transkripte einen redundanten Pfad zur Antwort bieten. LoCoMo legt einen größeren Schwerpunkt auf Evidenzen, die über Unterhaltungen, Sprecher und Daten verstreut sind, wodurch mehr Möglichkeiten für den Beitrag der kreuzübergreifenden Sitzungssynthese des Wikis entstehen.

Insgesamt erzielte der Produktionsagent bei aktiviertem Brain eine Antwortgenauigkeit von 0,91 auf LongMemEval-S und 0,83 auf LoCoMo. Da diese Experimente Benchmark-Teilmengen verwendeten, handelt es sich hierbei nicht um endgültige Benchmark-Ergebnisse. Dennoch liefern die Ablationen ein starkes Signal dafür, dass das Wiki die Leistung verbessert, insbesondere wenn Evidenz über Unterhaltungen hinweg integriert werden muss. Da Brain Teil von Computer ist und kein optimiertes, benchmarkspezifisches Abrufsystem darstellt, sind wir davon überzeugt, dass die Wettbewerbsfähigkeit bei Aufgaben, die Produktions-Workflows genauer ähneln, nur weiter steigen wird.

Online-Evaluierungen

Offline-Datensätze können nicht jedes Merkmal realer Benutzerverläufe erfassen, weshalb wir zudem eine tägliche gepaarte Evaluierung über frische, aus der Produktion abgeleitete Kohorten durchführen. Dieselben festen Fragen werden gegen den abgeglichenen Benutzerzustand bei aktiviertem und deaktiviertem Brain beantwortet und anschließend auf Genauigkeit, Aktualität und Abruf bewertet.

Vorläufige Ergebnisse, die am 18. Juni gemeldet wurden, zeigten, dass Brain die Antwortgenauigkeit um 25 % und den Abruf um 16 % erhöht. Diese Leistungssteigerungen haben sich weiterhin gehalten; in den letzten 30 Tagen übertrafen Brain-aktivierte Sitzungen die Kontrollgruppe bei jedem Durchlauf und jeder bewerteten Dimension. In absoluten Zahlen verzeichneten Computer-Benutzer Verbesserungen von 9,3 Punkten bei der Genauigkeit, 8,0 Punkten bei der Aktualität und 8,9 Punkten beim Abruf. Die Brain-aktivierten Verläufe verbrauchten zudem etwa 15 % weniger Token, kosteten 10 % weniger und schlossen die Generierung 10 % schneller ab.

Kontinuierliche Verbesserung

Wir haben Brain kontinuierlich verfeinert, um Benutzern das beste Speichererlebnis zu bieten. Eine kürzliche Änderung platziert den kompakten Index von Brain direkt im Anfangskontext des Agenten, anstatt zu verlangen, dass der Agent ihn erst später entdeckt und liest. In einem randomisierten Experiment steigerte diese Prefill-Behandlung die Brain-Nutzung und reduzierte speicherbezogene Unzufriedenheit um 6,9 %.

Das Offline-Evaluierungstool dient gleichzeitig als Teil einer autonomen Verbesserungspipeline. Vorgeschlagene Änderungen am Speichermunteragenten, den Abruf-Skills und den Prompts von Brain werden anhand der abgeglichenen Ablationen in unserem internen Datensatz und öffentlichen Benchmarks ausgeführt. Computer-Agenten können die Ergebnisse autonom iterieren und dabei die Änderungen, Deltas und Kosten jeder Iteration als dauerhaften Datensatz bewahren und nur jene Änderungen beibehalten, die die Kennzahlen verbessern. Das Ergebnis ist ein System, bei dem die Evaluatoren von Brain gleichzeitig dessen Optimierer sind und zukünftige Verbesserungen vorantreiben.

Fazit

Kontinuierliches Lernen ist eine der prägenden Herausforderungen beim Aufbau von Agentensystemen, die über Wochen und Monate hinweg funktionieren. Wir sind davon überzeugt, dass Speicherarchitekturen am besten als Umgebungen offengelegt werden, die Agenten mithilfe ihrer gewohnten Tools direkt erkunden können. Die Bereitstellung des Speichers als Dateisystem mit Brain als strukturiertem Wissenswiki darüber macht den Kontext durch einfache und vertraute Tools effizient navigierbar.

Brain ist auf Selbstverbesserung ausgelegt, sodass das Speichersystem mit wachsender Nutzung kontinuierlich besser werden kann. Die Dream-Hintergrundagenten destillieren neue Informationen in Brain-Aktualisierungen, wodurch sichergestellt wird, dass die Vordergrundagenten stets eine neue Sitzung mit einer organisierten Ansicht des aktuellsten Kontextes beginnen. Das Evaluierungstool dient gleichzeitig als Testumgebung für Autorecherche-Schleifen der Kernspeicherarchitektur und der agentenseitigen Schnittstellen.

Bereits jetzt hat Brain zu präziseren und leistungsstärkeren Agentensitzungen geführt und gleichzeitig den Token-Verbrauch reduziert. Unser sorgfältiges Co-Design von Brain mit dem Produktions-Stack von Computer stellt sicher, dass diese Gewinne direkt in echte Vorteile für die Benutzer übersetzt werden.

Wir entwickeln kontinuierlich weitere Funktionen, um die Qualität des Computerspeichers zu verbessern. In der Zwischenzeit verbessert sich der Speicher für Benutzer mit aktiviertem Brain bei jeder Sitzung.