Brain: ügynöki memória tudásbázisként
Strukturált, visszakövethető, önfejlesztő Markdown fájlrendszer, amely offline módon kerül összeállításra, és igény szerint navigálható.
A Computer felhasználói hónapokat és több száz munkamenetet felölelő munkát végeznek. A tizedik munkamenetre a rendszernek sokkal produktívabbnak kell lennie, mint az elsőn. Kontextust kell gyűjtenie a felhasználóról, a preferenciáiról és a már elvégzett munkáról.
Például, amikor arra kérik, hogy rajzolja meg egy olyan munkafolyamat diagramját, amelyet a felhasználó korábban elmagyarázott, a Computernek fel kell idéznie a részleteket, és azokat felhasználva létre kell hoznia és ki kell adnia egy ábrát a felhasználó által kedvelt stílusban. A felhasználónak nem szabad újra elmagyaráznia a munkafolyamat részleteit, vagy megismételnie a PDF-et a PNG műtermékekkel szembeni preferenciáját; a rendszernek képesnek kell lennie pontosan visszanyerni ezt a kontextust a múltbeli munkamenetekből, és automatikusan alkalmazni azt.
A memória a folyamatos ügynöki fejlesztés alapja. A hatékony memóriarendszernek strukturáltnak, visszakövethetőnek és adaptívnak kell lennie, lehetővé téve az ügynökök számára, hogy az egyes feladatokhoz a megfelelő szélességben és mélységben keressenek, miközben minden döntést a legfrissebb információkra alapoznak.
Bevezetés
Az ügynökök releváns kontextussal való ellátása sokrétű probléma. Először is, az ügynököknek tudniuk kell, hogy mi létezik, és hogyanférhetnek hozzá. Másodszor, amikor találnak egy hasznos információdarabot, biztosak kell legyenek abban, hogy az teljes, pontos és naprakész. Egy elszigetelt tény korlátozott értékű, kivéve, ha az ügynök képes megtalálni a kapcsolódó információkat, ellenőrizni, hogy megbízható forrásból származik-e, és biztosítani, hogy nem kell frissíteni egy újabb megfigyeléssel.
A statikus memóriafájlok közvetlen beillesztése a modellkontextusba maximalizálja az ügynökök általi hozzáférhetőséget, de egy klasszikus precizitás-visszakeresési kompromisszumot eredményez. A túl sok információ telíti az ügynök kontextusablakát egyre kisebb relevanciájú elemekkel, míg a túl kevés a releváns kontextus hiánya miatt rontja a válasz minőségét. Ezzel szemben a külső adatbázisokhoz való igény szerinti hozzáférés rugalmasabb, de a navigáció terhét az ügynökre hárítja. A vektorkadatbázisok gyakran szétkapcsolt töredékeket tárolnak, a gráfadatbázisok pedig megkövetelik az ügynököktől, hogy tudják, hogyan kell hatékonyan lekérdezni.
A közelmúltban bevezettük a Brain rendszert, amely a Computer memóriarendszerének központi összetevője, és a két világ legjobbját nyújtja. A Brain egy strukturált tudásbázis, amely a statikus memóriafájlok és bizonyítékok tetején helyezkedik el. Az idézetek összekötik az állításokat a forrásaikkal, a kapcsolódó információdarabok pedig oldalirányban kapcsolódnak egymáshoz. A rendezett wiki igény szerint navigálhatóvá teszi a kontextust, míg a részletes műtermékek az alatta lévő rétegben maradnak meg.
A Brain egy átfogó memóriarendszerhez kapcsolódik, amely három kulcsfontosságú komponenst tartalmaz: tartós memóriatárolást, a lekérdezések megválaszolásához memóriát használó előtérügynököket, valamint a memóriát frissítő és javító háttérügynököket. Az alábbi ábra ezeket a komponenseket mutatja be a Brain általános rendszerarchitektúráján belül elhelyezkedve.
Ebben a cikkben részletesen bemutatjuk az egyes rétegeket, elmagyarázva, hogyan szervezi a Brain a memóriát, hogyan használják az ügynökök, és a háttérfolyamatok hogyan tartják naprakészen. Emellett bemutatjuk a Brain tervezését érvényesítő belső értékelések eredményeit is, amelyek bebizonyítják, hogy az alacsonyabb költségek mellett javítja az ügynök teljesítményét.
Memóriaszervezés és -tárolás
A memóriának olyan ábrázolásra van szüksége, amely a felhasználó teljes előzményére skálázható anélkül, hogy minden egyes kontextuselemet kényszerrel bele kellene gyömöszölni a promptba. A Computer memóriarendszere fájlrendszerként reprezentálja az állandó kontextust. A Brain nyers forrásokból szintetizálja a tudást, összekapcsolva a rokon témákat, és az állításokat visszakötve az azokat alátámasztó munkamenetekhez és fájlokhoz. Ez a struktúra – amelyet alább részletezünk – lehetővé teszi számunkra, hogy az ügynökök számára különösen jól használható formában szervezzük meg a memóriát.
Fájlrendszer-alapú memória
A Computer-munkamenetek már egy fájlrendszerrel, egy shell-lel és I/O segédprogramokkal ellátott sandboxban futnak. A Brain tervezésekor azt szerettük volna elérni, hogy a modell és az ügynök memóriája közötti illesztésben a lehető legkevesebb új gépezetet kelljen bevezetni. Ezért építettük a Brain rendszert egy fájlrendszer-alapú kontextusréteg tetejére. A memória a sandboxban, egy memory/ könyvtár alatt fájlként materializálódik, és az ügynök egyszerűen ugyanazokat az eszközöket használja a memóriafájlokon, amelyeket minden más esetben is.
A memóriafa gyökerénél három olyan felső szintű könyvtár található, amelyek különböző absztrakciós szinteken tartják fenn a kontextust. A knowledge/ maga a Brain, egy szintetizált tudásbázis, amely összeköti az entitásokat, koncepciókat, aktív projekteket és a múltbeli ismereteket; a notes/ témakörök szerint szervezett töredékeket tartalmaz; a sessions/ pedig indexeket, összefoglalókat és teljes átiratokat tárol nyers előzményként. Az alábbi ábra aレイout egyszerűsített nézetét mutatja.
A felületek szándékosan redundánsak. Az egyszerű, egyhopos kérdések esetén gyakran elegendő egy kulcsszóra keresni a /notes könyvtáron belüli töredékek között, míg a /knowledge réteg a leghasznosabb olyan kérdések esetén, amelyekhez a bizonyítékokat Computer munkamenetek heti vagy havi időszakaiból kell összefűzni.
Brain: A tudásbázis
A Brain egy LLM wiki formátumú, hivatkozott Markdown fájlok rendszere. Ez a könnyedén strukturált Markdown forma átfogó képet nyújt a meglévő kontextusról, így az ügynökök könnyen megérthetik, hogy milyen rekordok érhetők el, hogyan kapcsolódnak egymáshoz, és hol találhatók meg. Minden egyes oldal egy téma karbantartott nézete; önmagában olvasva is hasznosnak kell maradnia, miközben a hivatkozások révén megkönnyíti a további felfedezést.
A hivatkozásoknak két típusa van. A [[wikilinkek]] kontextusélek. Oldalirányban kötik össze az oldalakat; egy projekt hivatkozhat a tulajdonosára, az ügyfelére vagy azokra a koncepciókra, amelyektől függ. Követésük megválaszolja azt a kérdést, hogy „mit kell még tudnom?”. A [cite:N] referenciák bizonyítékélek. Lefelé kötik össze az állításokat az azokat alátámasztó nyers munkamenetekkel vagy csatlakozóforrásokkal. Követésük megválaszolja azt a kérdést, hogy „honnan tudom, hogy ez igaz?”.
Az alábbi ábrák azt mutatják be, hogyan nézne ki a Brain egy része egy szintetikus személyiség, egy Nadia nevű akadálymentesítési kutató számára. Az ő Brain rendszere tartalmaz egy oldalt egy mintaprojektről, egy univerzális tervezési sprintről Japánban, amely munkamenetekből és csatlakozókból szintetizálja a tudást. A gráfnézet bemutatja, hogy az oldalon lévő kontextus- és bizonyítékélek hogyan kapcsolják össze a rokon entitásokat és forrásokat.
A Brain Git-alapú a verzióelőzmények megőrzése érdekében, támogatva annak folyamatosan fejlődő természetét. Az oldalak idővel szerkeszthetők, miközben a változásnaplók rögzítik a kulcsfontosságú frissítéseket, és lehetővé teszik az ügynökök számára a korábbi verziók és diffek egyszerű vizsgálatát. Ez támogatja az ügynöki koordinációt is, ami kritikus fontosságú, mivel egyszerre több ügynök is használhatja és frissítheti a Brain rendszert.
A Brain használata
Egy felhasználói lekérdezésre adott válaszadás során az ügynököknek képesnek kell lenniük arra, hogy megtalálják a megfelelő kontextust a részletesség megfelelő szintjén. A Brain struktúrája megkönnyíti az ügynökök számára a memória felfedezését. Az ügynökök választhatnak a végrehajtható lépések közül, mint például a kontextusra mutató hivatkozások követése a kapcsolódó információk megtalálásához, a bizonyítékokra mutató hivatkozások követése az állítások ellenőrzéséhez, vagy egy alügynök hívása további kontextus megszerzéséhez és szintetizálásához. Az ügynöki felfedezési folyamatot számos olyan módon irányítjuk, amelyek célja a releváns információkhoz való könnyű hozzáférés maximalizálása az ügynökök számára.
Feltárási stratégia
A Brain egy tömör indexét is belefoglaljuk a kezdeti felhasználói üzenetbe, így az ügynök a már létező dolgok munkaismeretével indít. Az ügynök ezután ismerős műveletekkel lép kapcsolatba a Brain rendszerrel: az index által hivatkozott egyes elemek olvasásával, a grep használatával az oldalak közötti kereséshez, hivatkozások követésével és idézetek vizsgálatával, a Git-verziók összehasonlításával, valamint munkamenetekbe vagy nyers pályákra való leereszkedéssel. Az alábbi kódrészlet egy szintetikus személyiség mintaparancsait ábrázolja.
# 1. Orient: the index is a map of everything known
cat memory/knowledge/index.md
# 2. Target: find pages that touch the question
grep -Ril "kyoto\|sendai" memory/knowledge/
# 3. Read the page; follow context edges as needed
cat memory/knowledge/projects/japan-universal-design-sprint.md
cat memory/knowledge/entities/sora-city-laboratory.md # via [[wikilink]]
cat memory/knowledge/entities/sapphir-mobility-coop.md # via [[wikilink]]
# 4. Only if the claim must be verified: resolve evidence
# city bases → [cite:1], [cite:10] → pplx://sessions/<id>
#
# Example (pseudo, replace with your real tool):
# pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice <slice-id>
# 5. Some evidence lives outside the sessions
# meeting slots → [cite:15] → connector://google-calendar
#
# pplx-connector-fetch google-calendar --query "japan-sprint"Az ügynökök rögzített folyamat helyett önvezérelt cikluson keresztül fedezik fel ezt a kontextust. Ezért az ügynök addig folytathatja a keresést, amíg elégedett nem lesz a talált kontextussal. Az ügynök azt is eldöntheti, hogy mikor vizsgálja meg az idézeteket és a bizonyítékokat a részletek megtalálása vagy ellenőrzése érdekében. Egy csekélyebb preferenciakérdés közvetlenül átvehető egyetlen Brain oldalról, míg egy sorsfordító döntés vagy a források közötti ellentmondás indokolhatja az idézet követését és az eredeti rekord elolvasását. A gráfalapú struktúra lehetővé teszi az ügynök számára, hogy konkrét következő lépések közül válasszon ahelyett, hogy céltalanul keresne kapcsolódó információkat.
Fájlok materializálása
Ahhoz, hogy az ügynöki felfedezés működjön, az ügynöknek hozzáférést kell biztosítani a teljes memory/ fához a sandbox fájlrendszeren keresztül. A teljes fa helyi másolása a sandbox minden egyes indításakor költséges és felesleges, mivel az ügynök ezen fájlok túlnyomó többségéhez nem fog hozzáérni. Egy másik opció egy távoli fájlrendszer használata lenne, így az ügynökök anélkül férhetnek hozzá bármilyen fájlhoz, hogy helyben lemásolnák azokat. Az ügynökök azonban gyakran ezer számra végeznek fájlrendszer-műveleteket egyetlen parancsban; ha mindez hálózati kéréssé válik, a válaszidő költsége elkezdi uralni a felfedezési ciklust. Belső tesztelés során a távoli FUSE-alapú útvonalon futtatott egyszerű grep feladatok nagyjából 400-500-szor lassabbak voltak a helyi fájlokon végzett ekvivalens műveleteknél.
Ehelyett a materializált fájlok helyi munkakészletét építjük fel, míg a nagyobb korpusz egy memórialekérdező rendszer mögött marad. A Computer az indításkor betölt egy kezdeti térképet (amely a legfrissebb memóriákból, munkamenetekből, összefoglalókból és az elérhető tudásból származik) a sandboxba. A Computer ügynökök hozzáférnek egy Memory Agenthez, egy olyan alügynökhöz, amely képes szemantikai keresést végezni és betölteni egy új fájlhalmazt. Ha a szükséges kontextus hiányzik, a Computer hívhatja a Memory Agentet a szükséges információ leírásával. A Memory Agent átkutatja a fájlokat, azonnali szöveges szintézist ad vissza, és materializálja az alátámasztó rekordokat a memóriafa alatti fájlakként. Ily módon a munkakészlet idővel természetesen és fokozatosan bővül, megőrizve a stabil útvonalakat és forráskapcsolatokat a már meglévő bizonyítékok tekintetében.
Ez a kialakítás tisztán megoldja a késleltetési szűk keresztmetszetet. A releváns fájlok helyi tárolása biztosítja, hogy a felfedezéshez szükséges fájlrendszer-műveletek gyorsak maradjanak, a kötegelt lekérés pedig lehetővé teszi, hogy a materializált fájlok készlete anélkül növekedjen, hogy külön hívásokra lenne szükség minden egyes fájlhoz, vagy nagy számú irreleváns fájlt kellene betölteni. A beágyazott ügynökös kialakítás ráadásul biztosítja a Computer számára az ügynöki lekérés előnyeit anélkül, hogy a fő ügynöknek minden alkalommal közvetlenül át kellene keresnie a teljes háttér-korpuszt, megőrizve saját kontextusablakát a legmagasabb értékű információk számára.
A Brain karbantartása
A felhasználók folyamatosan tanulnak az általuk végzett munkából és a folytatott beszélgetésekből, így az ügynöki memóriának ugyanezt kell tennie. Ahhoz, hogy a Brain hasznos maradjon, a legfontosabb tudás tömör ábrázolásának kell lennie. Új oldalakat kell létrehozni a fontos új entitások számára, új információkat kell hozzáadni a releváns Brain oldalakhoz, és az elavult kontextust szezonálisan el kell távolítani. Például, ha a felhasználó munkahelye megváltozik, a Brainnek tükröznie kell ezt a változást; tartalmaznia kell a felhasználó új munkáját, és prioritásként kell kezelnie az új felelősségeihez és projektjeihez kapcsolódó információkat.
A Brain karbantartását a Dream nevű háttérügynökök végzik. A Dream ügynökök offline módon futnak a fájlalapú memórián, és az új információkat Brain frissítésekbe szintetizálják. Gondosan meghatároztuk a Dream ügynökök hatáskörét és viselkedését e feladat hatékony elvégzése érdekében, a Dream-specifikus korlátokkal együtt, amelyek biztosítják a Brain frissítések konzisztenciáját és pontosságát.
Dream: Háttérügynökök a memória finomításához
A Dream ügynökök olyan sandboxokban futnak, amelyek hozzáférnek ugyanúgy a fájlrendszerhez és a csak olvasható eszközökhöz, mint egy interaktív Computer munkamenet, de egyetlen céljuk a jövőbeli munkamenetek kontextusának javítása. Minden futtatás a korábbi futtatások által előállított Brain rendszertől indul ahelyett, hogy a felhasználó kontextusát a semmiből építené újjá. Ezután a jelenlegi Brain rendszert használva tájékozódik, és egy frissített Brain rendszert hoz létre a jövőbeli futtatásokhoz.
A Dream ügynök megkap egy környezetet, és eldönti, hogyan fedezze fel azt ahelyett, hogy egyetlen promptba tömörített rögzített bemenetet kapna. Képes navigálni a fájlalapú memóriában, jóváhagyott, csak olvasható csatlakozóeszközöket használni egy tudáselem ellenőrzésére, és a munka korlátozott részeit delegálni alügynököknek, beleértve a Memory Agentet is. A Dream ügynök hatásköre és felelőssége Skill-ként van meghatározva.
Nagy vonalakban egy Dream futtatás 4 fázisból áll:
- Tájékozódás: Az ügynök elvégez egy rendezett tájékozódási eljárást. Azonosítja a hiteles hatáskört, az állandó utasításokat, a törlési naplót, a további bemeneteket és a leállási feltételeket.
- Munkamenetek összefoglalása: Minden olyan munkamenet esetében, amely új (vagy új fordulatokat tartalmazott) az utolsó frissítés óta, az ügynök ír (vagy frissít) egy rövid összefoglalót a munkamenetről.
- Tények csatolása alanyokhoz: Az ügynök minden általa jelentősnek ítélt megfigyelést hozzáad a megfelelő helyéhez, amely általában egy wiki oldal. Amikor rendelkezésre állnak, vizsgálja és lekérdezi a hitelesített csatlakozókat.
- Tudásbázis frissítése: Az ügynök a megállapításai alapján frissíti a wikit. Létrehozhat új oldalakat a tartós témákhoz, felülvizsgálhatja az oldalakat, ha a jelenlegi szintézis megváltozott, vagy új hivatkozásokat vagy idézeteket adhat hozzá, amelyek alátámasztanak egy tényállítást. Emellett dönthet úgy is, hogy nem végez változtatásokat, ha a jelenlegi gráf már helyes.
Annak érdekében, hogy a Brain bármilyen frissítése teljes és konzisztens legyen, az ügynökök a javasolt állapotot egy átmeneti kimeneti fába írják. Nem történnek végleges változtatások addig, amíg az ügynök el nem végezte az általa szükségesnek ítélt összes frissítést. Ezen döntések egyetlen ügynöki folyamatban történő koordinálása lehetővé teszi a gráf egésze, és nem különálló oldalak szerinti frissítését.
Bármilyen változtatásnak kétféle ellenőrzési vizsgálaton kell átmennie. A determinisztikus érvényesítési ellenőrzések biztosítják, hogy az oldalak helyesen legyenek kialakítva, és megfeleljenek az objektív kritériumoknak, például a szükséges frontmatternek és hivatkozási formátumnak. A szemantikai ellenőrzési vizsgálatok biztosítják, hogy a javasolt szintézist alátámasszák az összegyűjtött bizonyítékok, és az konzisztens maradjon a gráf többi részével. Miután az ügynök sikeresen befejezte a munkát, egy ellenőrzött szinkronizációs lépés összehasonlítja a lépcsőzetes kimenetet az előző állapottal, és alkalmazza a módosításokat a tárházon. A szinkronizációs lépés befejeztével a szerkesztések végső készlete ellenőrizhető a Git verzióelőzményein keresztül.
A Brain érvényesítése
A hasznos memóriarendszernek meg kell őriznie a releváns bizonyítékokat, szükség esetén fel kell hoznia azokat, és segítenie kell az ügynököt abban, hogy a bizonyítékot helyes válasszá alakítsa. Emiatt a Brain értékelését több szinten végezzük: ellenőrzött offline ablációk, folyamatos párosított visszajátszás és véletlenszerű éles kísérletek révén.
Offline értékelések
Elsődleges offline értékelésünk 44 szintetikus személyiség 640 kérdéséből álló belső adatkészletet használ. A személyiségek reprodukálják a munkamenet-ütemben, a váltásszámban, a témák keverékében és a tények sűrűségében megfigyelt gyártási mintákat, miközben nem tartalmaznak éles lekérdezési szöveget a felhasználói adatvédelem megőrzése érdekében. Minden fiók az éles memóriafolyunk keresztül van feltöltve, beleértve a memória kinyerését, a beszélgetési összefoglalókat és a Dream tudásbázis-összeállítását. Minden egyes kérdés esetében a helyes válasz mechanikusan a fiók előzményeiben szereplő konkrét bizonyítékokhoz van kötve.
Például Nadiának, a korábban bemutatott akadálymentesítési kutató szintetikus személyiségnek az adatkészlete tartalmazza a következő kérdést: „Mely szervezetekkel találkozom Kiotóban és Szendajban?” A válasz (a kiotói Sora City Lab és a szendaji Sapphir Mobility Coop) közvetlenül megjelenik a megfelelő Wiki oldalon.
Összehasonlítjuk ugyanazokat a kérdéseket és fiókokat engedélyezett, illetve letiltott összeállított tudásbázis mellett. Más memóriafelületek mindkét feltétel mellett elérhetőek maradnak. Ez elkülöníti a Brain növekményes hozzájárulását ahelyett, hogy a memóriát a memória nélküli állapottal hasonlítanánk össze. Összességében a Brain 0,600-ról 0,661-re növelte a válaszok helyességét, ami 6,1 százalékpontos növekedés, az bizonyítékok visszakeresését pedig 0,73-ról 0,625-re, ami 5,2 százalékpontos növekedés. A hatás a preferenciákra (+10,2 szp), az időbeli következtetésre (+8,6 szp) és a korábbi tevékenységekből származó részletek kinyerésére (+6,9 szp) vonatkozó kérdések esetében volt a legnagyobb. A kérdések 84%-ában az ügynök igazolhatóan elért egy arany bizonyítékhoz kötött forrást.
Két nyilvános benchmark részhalmazain is futtattunk egyező Brain ablációkat. A LoCoMo esetében a wiki eltávolítása átlagosan 4,6 százalékponttal csökkentette a válaszok helyességét három, különböző modellekkel végzett futtatás során. A LongMemEval-S esetében nem okozott statisztikailag szignifikáns változást. Ez az eredmény összhangban van a Brain szándékolt szerepével. A LongMemEval-S elsősorban az egyes munkamenetekből származó tények helyreállítását vizsgálja, ahol az alapul szolgáló átiratok redundáns utat biztosítanak a válaszhoz. A LoCoMo nagyobb hangsúlyt fektet a beszélgetésekben, beszélőkben és dátumokban szétszórt bizonyítékokra, több lehetőséget teremtve a wiki munkameneteken átívelő szintézisének hozzájárulására.
Összességében az engedélyezett Brain funkcióval az éles ügynök 0,91-es válaszhelyességet ért el a LongMemEval-S-en és 0,83-at a LoCoMo-n. Mivel ezek a kísérletek benchmark részhalmazokat használtak, ezek nem végleges benchmark eredmények. Az ablációk azonban továbbra is erős jelet adnak arra vonatkozóan, hogy a wiki javítja a teljesítményt, különösen akkor, amikor a bizonyítékokat beszélgetések során kell integrálni. Mivel a Brain a Computer része, és nem egy optimalizált, benchmark-specifikus lekérdezési rendszer, hiszünk abban, hogy a versenyképesség csak növekedni fog a gyártási munkafolyamatokra jobban hasonlító feladatok esetében.
Online értékelések
Az offline adatkészletek nem képesek rögzíteni a valós felhasználói előzmények minden jellemzőjét, ezért friss, gyártásból származó kohorszokon keresztül naponta futtatunk egy párosított értékelést is. Ugyanazokra a rögzített kérdésekre adunk választ az engedélyezett és letiltott Brain funkcióval rendelkező, egyező felhasználói állapot ellenében, majd értékeljük a helyességet, időszerűséget és visszakeresést.
Folyamatos fejlesztés
Továbbra is finomítottuk a Brain rendszert, hogy a legjobb memóriaélményt nyújtsuk a felhasználóknak. Az egyik legutóbbi változtatás közvetlenül az ügynök kezdeti kontextusába helyezi a Brain tömör indexét ahelyett, hogy megkövetelné az ügynöktől annak későbbi felfedezését és olvasását. Egy véletlenszerűsített kísérletben ez az előzetes feltöltési kezelés megnövelte a Brain használatát, és 6.9%-kal csökkentette a memóriával kapcsolatos elégedetlenséget.
Az offline értékelési keretrendszer egyben az autonóm fejlesztési folyamat részét is képezi. A Brain memória-alügynökére, lekérdezési készségeire és promptjaira vonatkozó javasolt változtatásokat a belső adatkészletünkön és nyilvános benchmarkjainkon futtatott egyező ablációkon keresztül teszteljük. A Computer ügynökök autonóm módon iterálhatnak az eredményeken, tartós rekordként megőrizve az egyes iterációk változásait, deltáit és költségeit, és csak azokat a változtatásokat tartják meg, amelyek elmozdítják a számokat. Az eredmény egy olyan rendszer, amelyben a Brain értékelői egyben annak optimalizálói is, elősegítve a jövőbeli fejlesztéseket.
Következtetés
A folyamatos tanulás az egyik meghatározó kihívás a hetekig és hónapokig működő ügynöki rendszerek építése terén. Hisszük, hogy a memóriatarchitektúrákat a legjobban olyan környezetként lehet feltárni, amelyet az ügynökök közvetlenül felfedezhetnek a szokásos eszközkészletük használatával. Ha a memóriát fájlrendszerként, tetején a strukturált tudásbázisként szolgáló Brain rendszerrel tárjuk fel, a kontextus hatékonyan navigálhatóvá válik egyszerű és ismerős eszközök segítségével.
A Brain az önfejlesztésre lett tervezve, így a memóriarendszer a használat növekedésével egyre jobbá válhat. A Dream háttérügynökök kiszűrik az friss információkat a Brain frissítéseibe, biztosítva, hogy az előtérben lévő ügynökök mindig rendezett nézettel, a legfrissebb kontextussal indítsanak új munkamenetet. Az értékelő keretrendszer egyúttal tesztterepként is szolgál az alapvető memóriatarchitektúra és az ügynökök felé néző felületek automatikus kutatási ciklusaihoz.
A Brain már most pontosabb és hatékonyabb ügynökmunkameneteket eredményezett, miközben csökkentette az elhasznált tokenek számát. A Brain gondos, a Computer gyártási vermével közös tervezése biztosítja, hogy ezek a nyereségek közvetlen valós előnyökké váljanak a felhasználók számára.
Továbbra is építünk ki újabb képességeket a Computer memóriája minőségének javítása érdekében. Mindeközben az engedélyezett Brain funkcióval rendelkező felhasználók számára a memória minden egyes munkamenettel javulni fog.