AI μνήμη: γιατί η ανάκτηση αποτυγχάνει πριν καν ξεκινήσει

Retention και retrieval δεν είναι το ίδιο πρόβλημα

Η βιβλιογραφία για RAG σε επιχειρησιακές βάσεις γνώσης και graph-augmented retrieval συνήθως ξεκινά από την παραδοχή ότι τα αναγκαία στοιχεία υπάρχουν ακόμη στο store. Συστήματα όπως GraphRAG ή HippoRAG επεκτείνουν και αναταξινομούν διαθέσιμα στοιχεία. Η νέα εργασία μετακινεί την ερώτηση ένα βήμα νωρίτερα: ποια blocks επιβιώνουν όταν η μνήμη έχει σταθερό όριο, πριν ένας AI search agent ξεκινήσει την ανάκτηση;

Οι συνηθισμένες πολιτικές κρατούν πρόσφατο περιεχόμενο, επιλέγουν blocks με βάση την ομοιότητα προς το τρέχον query ή μεταφέρουν μνήμες ευρετικά. Αυτό λειτουργεί όταν το απαραίτητο γεγονός είναι πρόσφατο ή μοιράζεται λέξεις με το αίτημα. Αποτυγχάνει όταν μια ενδιάμεση προϋπόθεση είναι δομικά απαραίτητη, αλλά βρίσκεται σε «σημασιολογική κοιλάδα» ανάμεσα σε δύο πιο εμφανώς σχετικά γεγονότα.

Το παράδειγμα που κάνει την αστοχία ορατή

Οι ερευνητές χρησιμοποιούν μια αλυσίδα τριών blocks. Το πρώτο συνδέει την Alice με το bundle M, το δεύτερο συνδέει το bundle M με clearance N και το τρίτο λέει ότι το clearance N επιτρέπει τη διαγραφή ενός κρυπτογραφημένου backup. Το query ρωτά αν η Alice μπορεί να διαγράψει το backup.

Το τρίτο block ταιριάζει λεκτικά με «delete» και «backup», ενώ το πρώτο περιέχει το όνομα Alice. Το ενδιάμεσο mapping μπορεί να μην μοιράζεται καμία λέξη με το query. Ένας similarity-only μηχανισμός έχει κίνητρο να αποβάλει ακριβώς τη γέφυρα που χρειάζεται ο συλλογισμός. Η απάντηση τότε δεν χάνεται στο retrieval ή στο reasoning· έχει καταστεί μη ανακτήσιμη ήδη στο retention.

Η DSGC αντιμετωπίζει τη μνήμη σαν γράφο εξαρτήσεων

Η προτεινόμενη Dependency-aware Semantic Garbage Collection, ή DSGC, δανείζεται τη λογική του tracing garbage collection. Blocks με υψηλή συνάφεια προς το query λειτουργούν ως «ρίζες» ζωντανής πληροφορίας και μεταδίδουν υποστήριξη ένα hop προς τις δηλωμένες προϋποθέσεις τους. Έτσι, ένα έμμεσο block δεν κρίνεται μόνο από τις δικές του λέξεις, αλλά και από το αν χρειάζεται σε ένα πιο σχετικό downstream block.

Ο κανόνας συνδυάζει την κανονικοποιημένη σημασιολογική συνάφεια με έναν όρο διάδοσης από γειτονικά εξαρτώμενα blocks. Στη βασική ρύθμιση το βάρος διάδοσης είναι 1,0 και η θερμοκρασία softmax 0,25. Η επιλογή γίνεται άπληστα μέχρι να εξαντληθεί το budget. Η μέθοδος είναι σκόπιμα περιορισμένη σε ένα hop: δεν περιλαμβάνει learned components, πολυ-hop diffusion ή συνεχές reranking.

Ένα ελεγχόμενο benchmark για συγκεκριμένο failure mode

Το benchmark είναι συνθετικό και ντετερμινιστικό, ώστε να απομονώνει τον μηχανισμό. Κάθε σενάριο έχει 20 blocks: chain blocks που απαιτούνται για την απάντηση, honeypots με δελεαστική λεκτική ομοιότητα και background fillers. Υπάρχουν δύο retrieval-friendly controls βάθους δύο και δύο targets βάθους τριών, Role και Profile.

Η κύρια αξιολόγηση καλύπτει τρεις πολιτικές, δύο encoders και 15 seeds ανά συνθήκη. Συγκρίνει similarity-only, no-graph DSGC με μηδενικό propagation και πλήρη DSGC. Ο lexical encoder έχει 256 διαστάσεις και λειτουργεί ως αυστηρό stress test επιφανειακής ομοιότητας, ενώ το all-MiniLM-L6-v2 παράγει 384-dimensional dense embeddings. Βασικό metric είναι η πλήρης διατήρηση όλων των blocks της αλυσίδας.

Τα κύρια αποτελέσματα και τι αποδεικνύουν

Στα controls, όλες οι μέθοδοι πετυχαίνουν retention 1,00 και με τους δύο encoders. Άρα η δομική ενίσχυση δεν υποβαθμίζει τα εύκολα, query-aligned σενάρια. Στα targets, όμως, η διαφορά είναι μεγάλη: με lexical encoder η πλήρης αλυσίδα διατηρείται κατά μέσο όρο σε 0,03 των runs με τα δύο baselines και σε 0,90 με DSGC. Με sentence encoder τα αντίστοιχα αποτελέσματα είναι 0,23 και 1,00.

Η μαθηματικά ακριβής ισότητα similarity-only και no-graph DSGC είναι σημαντικός έλεγχος. Όταν το βάρος propagation μηδενίζεται, η κατάταξη επιστρέφει στην ωμή συνάφεια. Επομένως, η αλλαγή αποδίδεται στον δομικό όρο και όχι σε διαφορετικό code path. Παρ’ όλα αυτά, πρόκειται για ελεγχόμενο συνθετικό benchmark, όχι για απόδειξη παραγωγικής απόδοσης σε κάθε agent.

Τα traces δείχνουν ακριβώς πού σταματά το ένα hop

Η ανάλυση ανά seed βρίσκει τρεις αποτυχίες στο lexical Profile Target. Σε όλες, το άμεσο prerequisite και το query-facing block βρίσκονται στις δύο πρώτες θέσεις, αλλά το παλαιότερο prerequisite δύο hops μακριά πέφτει στη θέση 6 ή 10 και εκτοπίζεται. Τα score margins είναι μικρότερα από 0,05, άρα πρόκειται για οριακές αποβολές στο cutoff και όχι για γενική κατάρρευση της κατάταξης.

Μία αποτυχία προκαλείται από honeypot και δύο από συνηθισμένα fillers. Το εύρημα αποκλείει την εύκολη εξήγηση ότι απαιτούνται πάντα «επιθετικοί» distractors. Τα traces παράγουν επίσης ελέγξιμη υπόθεση: propagation δύο ή περισσότερων hops θα έπρεπε να ανακτήσει αυτά τα seeds, χωρίς να χαλάσει τα controls. Η εργασία δεν ισχυρίζεται ότι αυτό έχει ήδη αποδειχθεί.

Budget, sliding window και κλιμάκωση αλλάζουν την εικόνα

Με lexical embeddings, η DSGC ξεχωρίζει περισσότερο στο ενδιάμεσο budget multiplier 2,0: υπάρχει χώρος για την αλυσίδα, αλλά οι distractors εξακολουθούν να ανταγωνίζονται στο cutoff. Σε πολύ στενό budget 1,0 δυσκολεύονται και οι δύο πολιτικές, ενώ στο χαλαρό 5,0 το κενό μικραίνει. Ένα recency-based sliding window κρατά ολόκληρη την αλυσίδα μόνο σε 0,07 των runs στα τέσσερα templates για multiplier 2,0.

Η σημαντικότερη αρνητική δοκιμή εμφανίζεται όταν τα blocks αυξάνονται από 20 σε 50. Με sentence encoder, η DSGC παραμένει στο 1,00 και στα δύο targets. Με lexical encoder, το Role πέφτει από 1,00 σε 0,73 και το Profile από 0,80 σε 0,33. Οι συγγραφείς αποδίδουν πιθανώς την πτώση σε διάχυση του relevance mass σε περισσότερους distractors, αλλά το παρουσιάζουν ως μηχανιστική ερμηνεία, όχι ως τελεσίδικο εύρημα.

Οι λάθος ακμές μπορούν να κάνουν ενεργή ζημιά

Το benchmark παρέχει τις dependency edges ως ground truth. Σε AI agents στην παραγωγή, όμως, ο γράφος πρέπει να εξαχθεί από tool traces, reasoning traces ή άλλο σήμα. Η εργασία επισημαίνει ασύμμετρο ρίσκο: μια ακμή που λείπει απλώς αφαιρεί υποστήριξη και επαναφέρει το σχετικό block προς το baseline. Μια ψευδής ακμή μπορεί να ενισχύσει άσχετο block και να εκτοπίσει σωστή πληροφορία.

Αυτό υποστηρίζει προτίμηση σε graph induction υψηλής ακρίβειας. Δεν αρκεί να συνδέονται όλα με όλα. Οι ακμές πρέπει να εκφράζουν πραγματική προϋπόθεση: ένα αποτέλεσμα lookup που επιτρέπει downstream ενέργεια, ένας κανόνας που ενεργοποιεί έγκριση ή ένα προϊόν που καθορίζει επόμενο βήμα. Η συγκεκριμένη εργασία δεν αξιολογεί αυτόματη παραγωγή γράφου· την κρατά χωριστή για να μετρήσει καθαρά το retention.

Τι σημαίνει για επιχειρησιακούς AI agents

Για ένα e-commerce ή marketing workflow, το πρακτικό μάθημα είναι να ελέγχεται όχι μόνο αν ο agent βρίσκει σχετικό περιεχόμενο, αλλά αν η πολιτική μνήμης διατηρεί όλα τα προαπαιτούμενα μιας απόφασης. Ένα query για επιστροφή παραγγελίας, για παράδειγμα, μπορεί να χρειάζεται chain από ταυτότητα πελάτη, συγκεκριμένη παραγγελία και εφαρμοστέο κανόνα. Αυτό είναι αναλογία σχεδιασμού· δεν αποτελεί σενάριο που δοκιμάστηκε στο paper.

Η ομάδα μπορεί να διατηρεί audit trail για τις αποφάσεις της AI και να καταγράφει ποιο block εκτοπίστηκε, ποιο το αντικατέστησε και με ποιο score margin. Χρειάζεται επίσης ξεχωριστή μέτρηση retention και end-to-end behavioral testing της ποιότητας απάντησης. Στο benchmark η απάντηση είναι σχεδόν συνέπεια της πλήρους αλυσίδας λόγω template· σε πραγματικό LLM παραμένει δεύτερο ερώτημα αν το μοντέλο θα χρησιμοποιήσει σωστά μια πλήρη αλυσίδα.

Η σωστή αρχιτεκτονική ξεκινά πριν από το RAG

Η DSGC έχει κόστος O(Nd + |E| + N log N): dense query–block scoring, ένα sparse pass πάνω στις ακμές και ταξινόμηση υπό budget. Με αραιό γράφο, η δομική επιβάρυνση ακολουθεί τις δηλωμένες εξαρτήσεις αντί για all-pairs O(N²). Δεν υπάρχουν όμως production latency μετρήσεις στην εργασία, επομένως η πρακτική απόδοση πρέπει να αξιολογηθεί ξεχωριστά.

Το βαθύτερο συμπέρασμα είναι ότι η agentic memory δεν είναι στατικό vector store, όπως δείχνει και η ανάγκη για υγιεινή της μνήμης των AI agents. Είναι διαχειριζόμενο σύστημα με πολιτική ζωής και αποβολής. Η σωστή ερώτηση δεν είναι μόνο «ποιο block μοιάζει περισσότερο με το query;», αλλά «ποια blocks πρέπει να μείνουν ζωντανά ώστε να μην κοπεί η αλυσίδα συλλογισμού;». Το retrieval αρχίζει αφού αυτή η απόφαση έχει ήδη καθορίσει τι μπορεί να γνωρίζει ο agent. Αυτή η σειρά σταδίων αλλάζει ουσιαστικά τον σχεδιασμό.