Brain: aģentu atmiņa kā zināšanu viki
Strukturēta, izsekojama, pašuzlabojoša Markdown failu sistēma, kas tiek kompilēta bezsaistē un kurā var pārvietoties pēc pieprasījuma.
Computer lietotāji veic darbu, kas ilgst mēnešiem un simtiem sesiju. Līdz desmitajai sesijai sistēmai vajadzētu būt daudz produktīvākai nekā pirmajā. Tai vajadzētu uzkrāt kontekstu par lietotāju, viņa preferencēm un jau paveikto darbu.
Piemēram, ja tiek prasīts uzzīmēt darbplūsmas diagrammu, ko lietotājs iepriekš paskaidroja, Computer vajadzētu atsaukt detaļas un izmantot tās, lai izveidotu un izvadītu attēlu lietotāja vēlamajā stilā. Lietotājam nevajadzētu no jauna skaidrot darbplūsmas detaļas vai atkārtot savu vēlmi par PDF, nevis PNG artefaktiem; sistēmai vajadzētu spēt precīzi atgūt šo kontekstu no pagātnes sesijām un piemērot to automātiski.
Atmiņa ir nepārtrauktas aģenta uzlabošanas pamats. Efektīvai atmiņas sistēmai jābūt strukturētai, izsekojamai un pielāgojamai, ļaujot aģentiem meklēt pareizajā plašumā un dziļumā katram uzdevumam, vienlaikus balstot katru lēmumu visaktuālākajā informācijā.
Ievads
Aģentu piepildīšana ar attiecīgu kontekstu ir daudzpusīga problēma. Pirmkārt, aģentiem ir jāzina, kas eksistē un kā tam piekļūt. Otrkārt, kad tie atrod noderīgu informācijas vienību, tiem ir jābūt pārliecinātiem, ka tā ir pilnīga, precīza un aktuāla. Izolētam faktam ir ierobežota vērtība, ja vien aģents nevar atrast saistīto informāciju, pārliecināties, ka tā nāk no uzticama avota, un nodrošināt, ka to nav nepieciešams atjaunināt ar jaunāku novērojumu.
Statisku atmiņas failu ievietošana tieši modela kontekstā maksimāli palielina pieejamību aģentiem, bet rada klasisku precizitātes un atsaukšanas kompromisu. Pārāk daudz informācijas piesātinās aģenta konteksta logu ar arvien mazākas nozīmes vienumiem, savukārt pārāk maz pasliktinās atbildes kvalitāti attiecīgā konteksta trūkuma dēļ. Turpretim piekļuve ārējām datu bāzēm pēc pieprasījuma ir elastīgāka, bet pārliek navigācijas nastu uz aģentu. Vektoru datu bāzes bieži glabā atvienotus fragmentus, un grafiku datu bāzes pieprasa aģentiem zināt, kā efektīvi vaicāt.
Nesen mēs ieviesām Brain — Computer atmiņas sistēmas pamatkomponenti, kas nodrošina labāko no abām pasaulēm. Brain ir strukturēts zināšanu viki, kas atrodas virs statiskiem atmiņas failiem un pierādījumiem. Atsauces saista apgalvojumus ar to avotiem, un saistītās informācijas daļas ir savienotas laterāli. Sakārtotais viki padara kontekstu orientējamu pēc pieprasījuma, savukārt detalizēti artefakti tiek saglabāti zem tā esošajā slānī.
Brain savienojas ar visaptverošu atmiņas sistēmu ar trim galvenajām sastāvdaļām: izturīgu atmiņas krātuvi, priekšplāna aģentiem, kas izmanto atmiņu, lai atbildētu uz vaicājumiem, un fona aģentiem, kas atjaunina un uzlabo atmiņu. Tālāk redzamais attēls attēlo šīs sastāvdaļas, kas atrodas Brain vispārējā sistēmas arhitektūrā.
Šajā rakstā mēs padziļināti aprakstām katru slāni, paskaidrojot, kā Brain organizē atmiņu, kā aģenti to izmanto un kā fona procesi nodrošina tā aktuālumu. Mēs arī prezentējam iekšējo novērtējumu rezultātus, kas apstiprina Brain dizainu, demonstrējot, ka tas uzlabo aģenta veiktspēju par zemākām izmaksām.
Atmiņas organizēšana un glabāšana
Atmiņai ir nepieciešams attēlojums, kas mērogojas līdz lietotāja pilnai vēsturei, nepiespiežot katru konteksta vienību ievadīt uzvednē. Computer atmiņas sistēma attēlo pastāvīgu kontekstu kā failu sistēmu. Brain sintetizē zināšanas par neapstrādātiem avotiem, savienojot saistītos priekšmetus un savienojot pretenzijas atpakaļ ar sesijām un failiem, kas tos atbalsta. Šī struktūra, kas sīki aprakstīta tālāk, ļauj mums organizēt atmiņu aģentiem īpaši piemērotā formā.
Failu sistēmā balstīta atmiņa
Datora sesijas jau atrodas smilšu kastē ar failu sistēmu, čaulu un I/O utilītprogrammām. Veidojot Brain, mēs vēlējāmies ieviest pēc iespējas mazāk jaunu mehānismu saskarnē starp modeli un aģenta atmiņu. Tāpēc mēs izveidojām Brain virs failu sistēmai vietējā konteksta slāņa. Atmiņa tiek materializēta kā faili smilšu kastē direktorijā memory/, un aģents vienkārši izmanto tos pašus rīkus atmiņas failiem, ko tas jau izmanto visam pārējam.
Atmiņas koka saknē atrodas trīs augstākā līmeņa direktorijas, kas uztur kontekstu dažādos abstrakcijas līmeņos. knowledge/ ir pats Brain, sintetizēts zināšanu viki, kas savieno entītijas, konceptus, aktīvos projektus un iepriekšējās mācības; notes/ satur destilētus fragmentus, kas organizēti kā tematiski mapes; un sessions/ satur indeksus, kopsavilkumus un pilnus transkriptus kā neapstrādātas vēstures. Tālāk redzamajā attēlā parādīts vienkāršots izkārtojuma skats.
Virsmas ir apzināti liekavas. Vienkāršiem, viena apļa jautājumiem bieži vien pietiek ar frāžu meklēšanu mapē /notes pēc atslēgvārda, savukārt /knowledge slānis ir visnoderīgākais jautājumiem, kas prasa pierādījumu apkopošanu vairāku nedēļu vai mēnešu Computer sesiju garumā.
Brain: zināšanu viki
Brain ir formatēts kā LLM viki — saistītu Markdown failu sistēma. Šis viegli strukturētā Markdown veids nodrošina visaptverošu skatu uz esošo kontekstu, lai aģenti varētu viegli saprast, kādi ieraksti ir pieejami, kā tie ir saistīti un kur tos atrast. Katra lapa ir uzturēts viena priekšmeta skats; tai vajadzētu palikt noderīgai, kad to lasa vienatnē, vienlaikus padarot turpmāku izpēti vienkāršu, izmantojot saites.
Saitēm ir divi veidi. [[wikilinks]] ir konteksta malas. Tās savieno lapas laterāli; projekts var būt saistīts ar tā īpašnieku, tā klientu vai konceptiem, no kuriem tas ir atkarīgs. Sekošana tām atbild uz jautājumu "kas vēl man jāzina?". [cite:N] atsauces ir pierādījumu malas. Tās savieno apgalvojumus uz leju ar neapstrādātajām sesijām vai savienotāja avotiem, kas tos atbalsta. Sekošana tām atbild uz jautājumu "kā es zinu, ka tas ir patiesība?"
Zemāk redzamie attēli attēlo, kāda varētu izskatīties daļa no Brain sintētiskai personai, pieejamības pētniecei vārdā Nadija. Viņas Brain ietver lapu par parauga projektu, universālā dizaina sprintu Japānā, sintetizējot zināšanas no sesijām un savienotājiem. Grafika skats parāda, kā lapā esošais konteksts un pierādījumu malas saista saistītās entītijas un avotus.
Brain nodrošina Git atbalsts versiju vēstures saglabāšanai, atbalstot tā nepārtraukti mainīgo raksturu. Lapas laika gaitā var rediģēt, savukārt izmaiņu žurnāli reģistrē galvenos atjauninājumus un ļauj aģentiem viegli pārbaudīt iepriekšējās versijas un atšķirības. Tas atbalsta arī aģentu koordināciju, kas ir kritiski svarīgi, jo vairāki aģenti var vienlaikus izmantot un atjaunināt Brain.
Brain izmantošana
Atbildot uz lietotāja vaicājumu, aģentiem ir jāspēj atrast pareizo kontekstu pareizajā detalizācijas līmenī. Brain struktūra ļauj aģentiem viegli izpētīt atmiņu. Aģenti var izvēlēties starp izpildāmām darbībām, piemēram, sekot konteksta saitēm, lai atrastu saistīto informāciju, sekot pierādījumu saitēm, lai pārbaudītu apgalvojumus, vai izsaukt apakšaģentu, lai iegūtu un sintetizētu papildu kontekstu. Mēs virzām aģentu izpētes procesu vairākos veidos, kuru mērķis ir maksimāli palīdzēt aģentiem viegli piekļūt attiecīgajai informācijai.
Izpētes stratēģija
Mēs iekļaujam kompaktu Brain indeksu sākotnējā lietotāja ziņojumā, lai aģents sāktu ar darba zināšanām par to, kas jau eksistē. Aģents pēc tam mijiedarbojas ar Brain, izmantojot pazīstamas operācijas: lasot konkrētus vienumus, uz kuriem norāda indekss, izmantojot grep, lai meklētu lapās, sekojot saitēm un pārbaudot citātus, salīdzinot Git revīzijas un iedziļinoties sesijās vai neapstrādātās trajektorijās. Zemāk redzamais koda bloks attēlo parauga komandas sintētiskai personai.
# 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"Aģenti izpēta šo kontekstu, izmantojot pašregulētu cilpu, nevis fiksētu konveijeru. Tāpēc aģents var turpināt meklēšanu, līdz tas ir apmierināts ar atrasto kontekstu. Aģents var arī izvēlēties, kad pārbaudīt citātus un pierādījumus, lai atrastu vai verificētu detaļas. Nelielu preferences jautājumu var pieņemt tieši no vienas Brain lapas, savukārt nozīmīgs lēmums vai konflikts starp avotiem var attaisnot sekošanu citātam un oriģinālā ieraksta lasīšanu. Grafika balstītā struktūra ļauj aģentam izvēlēties starp konkrētiem nākamajiem soļiem, nevis bez mērķa meklēt saistīto informāciju.
Failu materializācija
Lai aģentu izpēte darbotos, aģentam ir jābūt piekļuvei visam memory/ kokam caur smilšu kastes failu sistēmu. Visa koka kopēšana lokāli katru reizi, kad tiek sāknēta smilšu kaste, ir dārga un nevajadzīga, jo aģents nepieskarsies lielākajai daļai šo failu. Cita iespēja būtu izmantot attālo failu sistēmu, lai aģenti varētu piekļūt jebkuram failam, tos lokāli nekopējot. Tomēr aģenti vienā komandā bieži veic tūkstošiem failu sistēmas operāciju; ja katra kļūst par tīkla pieprasījumu, turp un atpakaļ ceļa izmaksas sāk dominēt izpētes cilpā. Iekšējās testēšanas laikā vienkāršas grep slodze pār attālu FUSE balstītu ceļu bija aptuveni 400 līdz 500 reižu lēnāka nekā līdzvērtīgas operācijas virs lokāliem failiem.
Tā vietā mēs izveidojam lokālu materializēto failu darba kopu, kamēr lielākais korpuss paliek aiz atmiņas izgūšanas sistēmas. Computer sāknējot iepriekš ielādē smilšu kastē sākotnējo karti (kas ņemta no pēdējām atmiņām, sesijām, kopsavilkumiem un pieejamajām zināšanām). Computer aģentiem ir piekļuve atmiņas aģentam — apakšaģentam, kas var veikt semantisko meklēšanu un ielādēt jaunu failu kopu. Kad nepieciešamais konteksts nav atrasts, Computer var izsaukt atmiņas aģentu ar nepieciešamās informācijas aprakstu. Atmiņas aģents meklē failos, atgriežot tūlītēju teksta sintēzi un materializējot atbalsta ierakstus kā failus zem atmiņas koka. Tād veidā darba kopa paplašinās dabiski un pakāpeniski laika gaitā, saglabājot stabilus ceļus un avota attiecības jau esošajiem pierādījumiem.
Šis dizains veiksmīgi atrisina latentuma vājo vietu. Attiecīgo failu glabāšana lokāli nodrošina, ka izpētei nepieciešamās failu sistēmas operācijas paliek ātras, un pakešu izgūšana ļauj materializēto failu kopumam augt, neprasot atsevišķus izsaukumus katram failam vai ielādējot lielu skaitu neatbilstošu failu. Ligzdoto aģentu dizains arī sniedz Computer aģentiskās izgūšanas priekšrocības, neprasot galvenajam aģentam tieši katru reizi meklēt pilnā aizmugursistēmas korpusā, saglabājot savu konteksta logu visaugstākās vērtības informācijai.
Brain uzturēšana
Lietotāji pastāvīgi mācās no darba, ko viņi dara, un sarunām, kas viņiem ir, tāpēc aģenta atmiņai ir jādara tas pats. Lai Brain paliktu noderīgs, tam vajadzētu būt kodolīgam vissvarīgāko zināšanu attēlojumam. Jaunas lapas vajadzētu izveidot svarīgām jaunām entītijām, jauna informācija būtu jāpievieno attiecīgajām Brain lapām, un novecojis konteksts sezonāli jānoņem. Piemēram, ja lietotāja darbs mainās, Brain vajadzētu atspoguļot šīs izmaiņas; tajā jābūt lietotāja jaunajam darbam un jāprioritizē informācija, kas saistīta ar viņa jaunajiem pienākumiem un projektiem.
Brain uztur fona aģenti, kurus mēs saucam par Dream. Dream aģenti darbojas bezsaistē virs failu balstītas atmiņas, sintetizējot jaunu informāciju Brain atjauninājumos. Mēs rūpīgi definējām Dream aģentu darbības jomu un uzvedību, lai efektīvi veiktu šo uzdevumu, kā arī Dream specifiskus aizsardzības mehānismus, lai nodrošinātu Brain atjauninājumu konsekvenci un precizitāti.
Dream: fona aģenti atmiņas pilnveidošanai
Dream aģenti darbojas smilšu kastēs ar piekļuvi tai pašai failu sistēmai un tikai lasāmiem rīkiem, kādi būtu interaktīvai Computer sesijai, bet to vienīgais mērķis ir uzlabot kontekstu turpmākajām sesijām. Katra izpilde sākas no Brain, ko radījušas iepriekšējās izpildes, nevis no jauna būvējot lietotāja kontekstu no nulles. Tas pēc tam izmanto šo pašreizējo Brain, lai orientētos, un rada atjauninātu Brain, ko varēs izmantot turpmākajās izpildēs.
Dream aģents saņem vidi un izlemj, kā to izpētīt, nevis saņem fiksētu ievadi, kas saplacināta vienā uzvednē. Tas var pārvietoties pa failu balstītu atmiņu, izmantot apstiprinātus tikai lasāmus savienotāja rīkus, lai pārbaudītu zināšanu vienību, un deleģēt ierobežotas darba daļas apakšaģentiem, tostarp atmiņas aģentam. Dream aģenta darbības joma un pienākumi ir norādīti kā Skill.
Kopumā Dream izpilde sastāv no 4 fāzēm:
- Orientēties: Aģents izpilda sakārtotu orientēšanās procedūru. Tas identificē autoritatīvo darbības jomu, pastāvīgos norādījumus, dzēšanas žurnālu, papildu ievades un apturēšanas nosacījumus.
- Kopsavilkuma sesijas: Katrai sesijai, kas ir jauna (vai kurai ir bijuši jauni pagriezieni) kopš pēdējā atjauninājuma, aģents uzraksta (vai atjaunina) īsu sesijas kopsavilkumu.
- Pievienot faktus priekšmetiem: Aģents pievieno katru novērojumu, ko tas uzskata par nozīmīgu, tā pareizajai mājvietai, kas parasti ir viki lapa. Tas testē un vaicā autentificētus savienotājus, kad tie ir pieejami.
- Atjaunināt zināšanu viki: Aģents atjaunina viki, pamatojoties uz saviem atklājumiem. Tas var izveidot jaunas lapas ilgstošiem priekšmetiem, pārskatīt lapas, kad pašreizējā sintēze ir mainījusies, vai pievienot jaunas saites vai citātus, kas atbalsta faktu apgalvojumu. Tas var arī izvēlēties neveikt nekādas izmaiņas, ja pašreizējais grafiks jau ir pareizs.
Lai nodrošinātu, ka visi Brain atjauninājumi ir pilnīgi un konsekventi, aģenti ieraksta ierosināto stāvokli posma izvades kokā. Pastāvīgas izmaiņas netiek veiktas, kamēr aģents nav veicis visus atjauninājumus, kurus tas uzskata par nepieciešamiem. Šo lēmumu koordinēšana vienā aģenta procesā ļauj atjaunināt grafiku kopumā, nevis kā neatbilstošas lapas.
Visām izmaiņām ir jāiziet divu veidu pārbaudes. Deterministiskās validācijas pārbaudes nodrošina, ka lapas ir labi izveidotas un atbilst objektīviem kritērijiem, piemēram, nepieciešamajai virsraksta daļai un citātu formatējumam. Semantiskās verifikācijas pārbaudes nodrošina, ka ierosināto sintēzi atbalsta savāktie pierādījumi un tā saglabā konsekvenci ar pārējo grafiku. Kad aģents veiksmīgi pabeidz darbu, kontrolēts sinhronizācijas solis salīdzina posma izvadi ar iepriekšējo stāvokli un lieto izmaiņas repozitorijā. Kad sinhronizācijas solis ir pabeigts, galīgo labojumu kopu var pārbaudīt, izmantojot Git versiju vēsturi.
Brain pārbaude
Noderīgai atmiņas sistēmai ir jāsaglabā attiecīgie pierādījumi, jāizvirza tie virspusē, kad tas nepieciešams, un jāpalīdz aģentam pārvērst šos pierādījumus pareizā atbildē. Tāpēc mēs novērtējam Brain vairākos līmeņos: kontrolētas bezsaistes ablācijas, nepārtraukta sapārota atskaņošana un randomizēti ražošanas eksperimenti.
Bezsaistes novērtējumi
Mūsu primārajā bezsaistes novērtējumā tiek izmantota iekšējā datu kopā ar 640 jautājumiem 44 sintētiskām personām. Personas reproducē ražošanā iegūtos modeļus sesijas kadencē, pagriezienu skaitā, tēmu miksā un faktu blīvumā, vien nesatur ražošanas vaicājuma tekstu, lai saglabātu lietotāja privātumu. Katrs konts tiek aizpildīts, izmantojot ražošanas atmiņas konveijeru, tostarp atmiņas ieguvi, sarunu kopsavilkumus un Dream zināšanu viki kompilāciju. Katram jautājumam pareizā atbilde ir mehāniski saistīta ar konkrētiem pierādījumiem, kas atrodas konta vēsturē.
Piemēram, Nadijai, iepriekš iepazīstinātajai sintētiskajai pieejamības pētnieces personai, datu kopa ietver jautājumu: "Kādās organizācijās es tiekos Kioto un Sendai?" Atbilde (Sora City Lab Kioto un Sapphir Mobility Coop Sendai) parādās tieši attiecīgajā viki lapā.
Mēs salīdzinām tos pašus jautājumus un kontus ar iespējotu pret atspējotu kompilēto zināšanu viki. Citas atmiņas virsmas paliek pieejamas abos apstākļos. Tas izolē Brain inkrementālo ieguldījumu, nevis salīdzina atmiņu ar atmiņas neesamību. Kopumā Brain palielināja atbilžu pareizību no 0,600 līdz 0,661 (pieaugums par 6,1 procentpunktu) un pierādījumu izgūšanu no 0,573 līdz 0,625 (pieaugums par 5,2 procentpunktu). Ietekme bija vislielākā jautājumos par preferencēm (+10,2 pp), laika argumentāciju (+8,6 pp) un detaļu izvilkšanu no iepriekšējām darbībām (+6,9 pp). 84% jautājumu aģents pārbaudāmi pieskārās avotam, kas piesaistīts pamatnostādnes pierādījumiem.
Mēs arī veicām saskaņotas Brain ablācijas divu publisku benchmarku apakškopās. LoCoMo gadījumā viki noņemšana vidēji samazināja atbildes pareizību par 4.6 procentpunktiem trīs izpildēs ar dažādiem modeļiem. LongMemEval-S gadījumā tas neradīja statistiski nozīmīgas izmaiņas. Šis rezultāts saskan ar Brain paredzēto lomu. LongMemEval-S galvenokārt pārbauda faktu atgūšanu no atsevišķām sesijām, kur pamata transkripti nodrošina lieku ceļu uz atbildi. LoCoMo liek lielāku uzsvaru uz pierādījumiem, kas izkaisīti pa sarunām, runātājiem un datumiem, radot vairāk iespēju viki starpsesiju sintēzei sniegt ieguldījumu.
Kopumā ar iespējotu Brain ražošanas aģents sasniedza 0.91 atbildes pareizību LongMemEval-S un 0.83 LoCoMo. Tā kā šajos eksperimentos tika izmantotas benchmarku apakškopas, tie nav galīgi benchmarku rezultāti. Tomēr ablācijas joprojām sniedz spēcīgu signālu, ka viki uzlabo veiktspēju, īpaši tad, ja pierādījumi ir jāintegrē starp sarunām. Tā kā Brain ir daļa no Computer, nevis optimizēta, benchmarkam specifiska izgūšanas sistēma, mēs uzskatām, ka konkurētspēja tikai palielināsies ar uzdevumiem, kas vairāk līdzinās ražošanas darbplūsmām.
Tiešsaistes novērtējumi
Bezsaistes datu kopas nevar uztvert katru reālu lietotāju vēstures funkciju, tāpēc mēs arī veicam ikdienas pāru novērtējumu pār svaigām ražošanā iegūtām kohortām. Uz tiem pašiem fiksētajiem jautājumiem tiek atbildēts pret saskaņotu lietotāja stāvokli ar iespējotu un atspējotu Brain, pēc tam vērtējot pareizību, aktualitāti un atsaukšanu.
Sākotnējie rezultāti, par kuriem ziņots 18. jūnijā, parādīja, ka Brain palielina atbilžu pareizību par 25% un atsaukšanu par 16%. Šie veiktspējas ieguvumi ir turpinājuši saglabāties; pēdējo 30 dienu laikā sesijas ar iespējotu Brain pārspēja kontroli katrā izpildē un katrā vērtētajā dimensijā. Absolūtos skaitļos Computer lietotāji baudīja pareizības uzlabojumus par 9.3 punktiem, aktualitātes — par 8.0 punktiem un atsaukšanas — par 8.9 punktiem. Ar iespējotu Brain trajektorijās tika izmantots arī par aptuveni 15% mazāk žetonu, tās izmaksāja par 10% lētāk un ģenerēšanu pabeidza par 10% ātrāk.
Nepārtraukts uzlabojums
Mēs esam turpinājuši pilnveidot Brain, lai nodrošinātu lietotājiem labāko atmiņas pieredzi. Viena nesena izmaiņa novieto Brain kompakto indeksu tieši aģenta sākotnējā kontekstā, nevis pieprasa aģentam to atklāt un izlasīt vēlāk. Randomizētā eksperimentā šī pirmsievietošanas metode palielināja Brain lietojumu un samazināja ar atmiņu saistīto neapmierinātību par 6.9%.
Bezsaistes novērtēšanas rīku kopa kalpo arī kā autonomas uzlabošanas konveijera daļa. Ierosinātās izmaiņas Brain atmiņas apakšaģentā, izgūšanas prasmēs un uzvednēs tiek izvadītas caur saskaņotajām ablācijām mūsu iekšējā datu kopā un publiskajos benchmarkos. Computer aģenti var autonomi iterēt rezultātus, saglabājot katras iterācijas izmaiņas, delta vērtības un izmaksas kā izturīgu ierakstu un saglabājot tikai tās izmaiņas, kas kustina skaitļus. Rezultāts ir sistēma, kurā Brain novērtētāji ir arī tā optimizētāji, virzot turpmākos uzlabojumus.
Secinājums
Nepārtraukta mācīšanās ir viens no noteicošajiem izaicinājumiem aģentu sistēmu izveidē, kas darbojas nedēļas un mēnešus. Mēs uzskatām, ka atmiņas arhitektūras vislabāk ir atklāt kā vidi, ko aģenti var tieši izpētīt, izmantojot savus parastos rīku komplektus. Atmiņas eksponēšana kā failu sistēma ar Brain kā strukturētu zināšanu viki virspusē padara kontekstu efektīvi pārvietojamu, izmantojot vienkāršus un pazīstamus rīkus.
Brain ir izstrādāts pašuzlabošanai, lai atmiņas sistēma varētu turpināt uzlaboties līdz ar lietošanas pieaugumu. Dream fona aģenti destilē jaunu informāciju Brain atjauninājumos, nodrošinot, ka priekšplāna aģenti vienmēr sāk jaunu sesiju ar sakārtotu jaunākā konteksta skatu. Novērtēšanas rīku kopa kalpo arī kā testēšanas vide automātiskās izpētes cilpām pamata atmiņas arhitektūrā un aģentam paredzētajās saskarnēs.
Brain jau ir nodrošinājis precīzākas un veiktspējīgākas aģenta sesijas, vienlaikus samazinot iztērēto žetonu skaitu. Mūsu rūpīgā Brain un Computer ražošanas steka kopīga izstrāde nodrošina, ka šie ieguvumi tieši pārvēršas reālos ieguvumos lietotājiem.
Mēs turpinām veidot vairāk iespēju, lai uzlabotu Computer atmiņas kvalitāti. Tik lâu lietotājiem ar iespējotu Brain atmiņa uzlabosies ar katru sesiju.