С повече от 20 години опит ние променяме вашето цифрово присъствие. Специализирани сме в разработването на уебсайтове и електронни магазини, SEO и цифров маркетинг, ERP софтуер и интелигентна автоматизация, които извеждат бизнеса ви на следващото ниво.
Адрес:
Егнатия 154, Солун 546 36
Телефон:
+30 231 231 4095
Електронна поща:
hello@twodots.gr
Готови ли сте за следващата стъпка?;
Το Weighted Memory Tree οργανώνει τη μνήμη AI agents με scoring, lifecycle και semantic selection, ώστε το χρήσιμο context να παραμένει ενεργό.
Το Weighted Memory Tree δείχνει ότι η χρήσιμη μνήμη ενός AI agent δεν είναι το μεγαλύτερο δυνατό ιστορικό, αλλά ένα ελεγχόμενο σύστημα που κρατά ενεργά τα σωστά στοιχεία για την επόμενη απόφαση. Στη μελέτη, ο συνδυασμός ιεραρχίας, δυναμικής βαθμολόγησης, lifecycle control και semantic selection βελτίωσε την ακρίβεια στο GAIA-Text κατά 9,97 ποσοστιαίες μονάδες κατά μέσο όρο και μείωσε τα prompt tokens κατά 32,8% έναντι του linear history. Τα αποτελέσματα είναι ενθαρρυντικά, αλλά αφορούν συγκεκριμένα benchmarks και δεν μετατρέπουν το retention score σε έλεγχο αλήθειας.
Καθώς ένας agent εκτελεί μια μακρά εργασία, συσσωρεύει εντολές, αποτελέσματα εργαλείων, υποθέσεις, αποτυχίες και ενδιάμεσες αποφάσεις. Η συνηθισμένη linear-history προσέγγιση επαναφέρει όλη αυτή την τροχιά σε κάθε νέο prompt. Έτσι διατηρεί την πληρότητα του ιστορικού, αλλά αντιμετωπίζει μια επιτυχημένη απόδειξη, μια άχρηστη λεπτομέρεια και μια ξεπερασμένη υπόθεση σχεδόν σαν ισότιμα αντικείμενα.
Η εργασία Weighted Memory Tree: Remembering What Matters for Long-Horizon LLM Agents των Quang Dao, Purvi Kathalkar και Kenneth Eaton προτείνει έναν διαφορετικό μηχανισμό. Το WMT αποθηκεύει τη διαδρομή εκτέλεσης σε δέντρο εργασιών και ενεργειών, αποδίδει σε κάθε μνήμη δυναμική βαθμολογία διατήρησης και αποφασίζει ποια στοιχεία θα επηρεάσουν το επόμενο βήμα. Η αρχή συνδέεται άμεσα με τη μνημονική υγιεινή των AI agents: η χωρητικότητα δεν αρκεί όταν δεν υπάρχει πολιτική για τη χρησιμότητα, την προέλευση και την απόσυρση.
Ένα μεγάλο context window μειώνει τον κίνδυνο να κοπεί μηχανικά το παλιό ιστορικό, αλλά δεν εγγυάται ότι το μοντέλο θα χρησιμοποιήσει σωστά κάθε πληροφορία. Σχετικά ευρήματα συνεχίζουν να ανταγωνίζονται παλιές παρατηρήσεις, αποτυχημένες διαδρομές και incidental details. Για έναν long-running AI agent, το πρόβλημα δεν είναι μόνο πόσα tokens χωρούν· είναι ποια tokens πρέπει να παραμείνουν ενεργά όταν αλλάζει το υποπρόβλημα.
Αυτό γίνεται ιδιαίτερα κρίσιμο όταν ο agent χρησιμοποιεί εργαλεία. Ένα λανθασμένο αποτέλεσμα αναζήτησης, μια αποτυχημένη κλήση API ή μια προσωρινή παραδοχή μπορεί να επηρεάζει επανειλημμένα τις επόμενες επιλογές, αν διατηρείται χωρίς διάκριση. Αντίθετα, μια αποτυχία δεν πρέπει πάντα να εξαφανίζεται: μπορεί να είναι πολύτιμη προειδοποίηση ώστε να μην επαναληφθεί η ίδια ενέργεια.
Το WMT ξεκινά με έναν root node για το αρχικό αίτημα. Κάτω από αυτόν δημιουργεί tasks, subtasks και action memories μαζί με τις παρατηρήσεις και τα αποτελέσματά τους. Η ενεργή διαδρομή από τη ρίζα μέχρι την τρέχουσα εργασία παραμένει υποχρεωτικά διαθέσιμη, ώστε ο agent να μη χάνει τον στόχο και το τοπικό state.
Το σύστημα διαχωρίζει τη μόνιμη αποθήκευση από το working context. Ένας ολοκληρωμένος κλάδος μπορεί να αναδιπλωθεί σε σύνοψη, ένας χαμηλής χρησιμότητας κλάδος να κατασταλεί και μια παλιότερη εργασία να ανοίξει ξανά όταν η εκτέλεση επιστρέψει σε αυτή. Η λεπτομέρεια δεν διαγράφεται υποχρεωτικά· απλώς παύει να καταναλώνει χώρο σε κάθε βήμα. Παρόμοια, η προετοιμασία μνήμης πριν από την εκτέλεση έχει αξία μόνο όταν το injected context παραμένει σχετικό με το συγκεκριμένο task.
Linear history
Επαναφέρει ολόκληρη τη διαδοχή σκέψης, εργαλείων και παρατηρήσεων. Διατηρεί την πλήρη τροχιά, αλλά αυξάνει τον θόρυβο και τα prompt tokens.
Unweighted tree
Οργανώνει τις μνήμες ανά task και action, χωρίς scoring ή branch prioritization. Η δομή βοηθά, αλλά στη μελέτη δεν έδωσε σταθερό gain.
Full WMT
Συνδυάζει δέντρο, utility score, folding, suppression, reopening και semantic selection για να κατασκευάζει μικρότερο ενεργό context.
Κάθε memory node έχει retention score από 0 έως 1. Οι επιτυχημένες ενέργειες ξεκινούν με υψηλότερη προτεραιότητα από τις αποτυχημένες, αλλά μια αποτυχία μπορεί να παραμείνει προσβάσιμη ως warning. Οι τιμές και τα thresholds του paper είναι χειροκίνητα καθορισμένα και σταθερά στα πειράματα· δεν είναι έτοιμα universal defaults για κάθε agent.
Η βαθμολογία αλλάζει με selection-based decay. Αν μια μνήμη είναι επιλέξιμη για το context αλλά δεν επιλέγεται σε διαδοχικές ευκαιρίες, η προτεραιότητά της μειώνεται. Αν επιλεγεί, ο μετρητής χαμένων επιλογών μηδενίζεται. Ο elapsed time μόνος του δεν προκαλεί decay. Αυτό διαφέρει από ένα απλό TTL: το σύστημα παρακολουθεί λειτουργική χρησιμότητα μέσα στη ροή, όχι μόνο ηλικία.
Η προτεραιότητα ενός branch συνδυάζει τον υψηλότερο βαθμό του, τον μέσο βαθμό των κόμβων και ποινές για αποτυχημένα ή ήδη obsolete στοιχεία. Έτσι μπορεί να διατηρηθεί ένας κατά τα άλλα μέτριος κλάδος επειδή περιέχει ένα κρίσιμο εύρημα. Όταν η προτεραιότητα πέσει κάτω από το όριο, ο κλάδος γίνεται obsolete για τη συνηθισμένη κατασκευή context, χωρίς να χάνεται από το audit trail.
Ο Prompt Synthesizer περιλαμβάνει πρώτα την τρέχουσα εργασία και την ενεργή ιεραρχία. Έπειτα εξετάζει eligible global memories, task και action nodes, folded summaries και failure warnings. Η υλοποίηση χρησιμοποιεί LLM-based semantic selector, όχι έναν απλό κανόνα top-k που βασίζεται αποκλειστικά στο score.
Ο selector βλέπει περιεχόμενο, τύπο κόμβου, lifecycle state, retention score και branch priority. Μετά την επιλογή, οι προσπελασμένες μνήμες σημειώνονται ως used, ενώ οι επιλέξιμες αλλά μη επιλεγμένες δέχονται decay. Πρόκειται για closed loop ανάμεσα σε retrieval και lifecycle management.
Η semantic επιλογή έχει δικό της υπολογιστικό κόστος. Η μελέτη συνυπολογίζει στα prompt-token totals όλες τις κλήσεις του βασικού agent, του selector και της σύνοψης. Αυτό είναι ουσιαστικό για cost governance: ένα σύστημα μνήμης πρέπει να μετρά όχι μόνο πόσο μικρό είναι το τελικό prompt, αλλά και πόσο κοστίζουν οι βοηθητικές κλήσεις που το κατασκευάζουν. Η ίδια αρχή ισχύει σε AI agent harnesses όπου έλεγχος και κόστος πρέπει να μετρώνται μαζί.
Η αξιολόγηση έγινε στη δημόσια validation συλλογή GAIA με 165 ερωτήσεις τριών επιπέδων και στο GAIA-Text με τις 127 ερωτήσεις χωρίς input files. Ως frozen reasoning models χρησιμοποιήθηκαν Qwen3-8B, Gemma 4 E4B και Llama-3.1-8B στο ίδιο agent scaffold, με ίδια εργαλεία, οδηγίες και interaction budget. Μεταβαλλόταν μόνο το σύστημα μνήμης.
Στο GAIA-Text, το WMT βελτίωσε την ακρίβεια έναντι του linear history κατά 13,39, 8,66 και 7,87 ποσοστιαίες μονάδες αντίστοιχα, δηλαδή 9,97 μονάδες κατά μέσο όρο. Τα prompt tokens μειώθηκαν κατά 25,6%, 42,0% και 30,8%, με μέσο όρο 32,8%. Στο πλήρες GAIA, η μέση βελτίωση ήταν 10,10 ποσοστιαίες μονάδες και η μέση μείωση prompt tokens 32,2%.
Τέσσερις επαληθευμένες μετρικές του WMT
Οι τιμές ανήκουν στα συγκεκριμένα GAIA-Text και controlled poisoning experiments του paper· δεν είναι εγγύηση για παραγωγικό workload.
Ερώτηση πριν από αρχιτεκτονική απόφαση
Συγκρίνετε linear history, structured memory και πλήρη policy στο ίδιο task set. Μετρήστε task success, prompt tokens όλων των βοηθητικών κλήσεων, latency, λάθη ανάκτησης, επανάληψη αποτυχημένων ενεργειών και ποιότητα του audit trail.
Το unweighted tree δεν έδωσε την ίδια σταθερή βελτίωση. Στο GAIA-Text βελτίωσε ελαφρά το Gemma, ισοφάρισε το linear history για το Llama και μείωσε την ακρίβεια του Qwen. Το αποτέλεσμα δείχνει ότι η ιεραρχική οργάνωση από μόνη της δεν αρκεί.
Η semantic selection γενικά βοήθησε την ακρίβεια, αλλά αύξησε τα tokens επειδή πρόσθεσε model calls χωρίς να συμπιέζει τους κλάδους. Η branch summarization είχε το αντίθετο βασικό αποτέλεσμα: μείωσε τα tokens σε κάθε μοντέλο, αλλά η επίδραση στην ακρίβεια ήταν μικτή. Ο πλήρης συνδυασμός έδωσε την καλύτερη aggregate ισορροπία.
Στο GAIA-Text, το Full WMT έφτασε κατά μέσο όρο ακρίβεια 28,08% με 40,50 εκατομμύρια prompt tokens. Η ισχυρότερη partial configuration ως προς τη μέση ακρίβεια έφτασε 21,78% με 51,98 εκατομμύρια tokens. Αυτό δεν σημαίνει ότι κάθε παραγωγικός agent χρειάζεται WMT· σημαίνει ότι selection, summary, scoring και lifecycle απαντούν σε διαφορετικά failure modes και πρέπει να αξιολογούνται ως ενιαίο σύστημα.
Το controlled poisoning experiment περιλάμβανε 100 long-horizon scenarios, 297 subtasks και 1.118 memory entries, από τις οποίες 409 ήταν σκόπιμα παραπλανητικές. Το Full WMT πέτυχε χαμηλότερα attack success, poison retrieval, blast radius και amplification από τις άλλες tested configurations, μαζί με το υψηλότερο task success rate.
Ο μηχανισμός χωρίς Memory Controller είχε πλήρη infection persistence, επειδή οι poisoned memories παρέμεναν ενεργές ή επιλέξιμες. Η παραλλαγή χωρίς semantic retrieval επανέφερε ολόκληρους κλάδους, αυξάνοντας την έκθεση σε άσχετο ή μολυσμένο περιεχόμενο. Το αποτέλεσμα στηρίζει τη χρησιμότητα του lifecycle control, αλλά δεν αποδεικνύει ότι το WMT αναγνωρίζει ποια μνήμη είναι αληθής.
Για παραγωγικά συστήματα, το memory layer χρειάζεται επιπλέον validation πριν από persistence, απομόνωση ανά χρήστη και session, integrity checks, expiration policies και adversarial tests. Αυτά ευθυγραμμίζονται με το control-first agentic AI security stack και δεν μπορούν να αντικατασταθούν από ένα utility score.
Σε customer support, το root task μπορεί να είναι η επίλυση ενός αιτήματος και οι κλάδοι να αντιστοιχούν σε έλεγχο λογαριασμού, διάγνωση προβλήματος, πολιτική επιστροφών και ανθρώπινο escalation. Ένας ολοκληρωμένος κλάδος μπορεί να συμπτυχθεί σε αποτέλεσμα, αποδεικτικά στοιχεία και εκκρεμότητες, χωρίς να μεταφέρεται ολόκληρη η συνομιλία σε κάθε επόμενο εργαλείο.
Σε e-commerce operations, οι μνήμες μπορούν να χωριστούν ανά προϊόν, κανάλι, feed, καμπάνια και validation result. Μια αποτυχημένη αλλαγή τιμής δεν χρειάζεται να βρίσκεται σε κάθε prompt, αλλά πρέπει να ανακτάται όταν ο agent επιχειρεί ξανά την ίδια ενέργεια. Σε research ή content workflows, επιβεβαιωμένα ευρήματα μπορούν να παραμένουν υψηλής χρησιμότητας, ενώ πρόχειρες υποθέσεις να χάνουν προτεραιότητα όταν δεν επιλέγονται. Αυτές είναι αρχιτεκτονικές αναλογίες, όχι use cases που δοκιμάστηκαν στο paper.
Η εφαρμογή απαιτεί σαφές ownership. Το orchestration layer πρέπει να γνωρίζει ποιος γράφει στη μνήμη, ποιος εγκρίνει promotion σε global state, πότε ένα branch θεωρείται complete και πώς γίνεται rollback. Η διακυβέρνηση μέσα στο enterprise AI harness είναι το σημείο όπου οι κανόνες γίνονται ελέγξιμα gates, logs και approvals.
Χρειάζονται επίσης tests συμπεριφοράς. Ένας agent μπορεί να ολοκληρώνει συχνά το task και παρ’ όλα αυτά να ανακτά λάθος μνήμη, να επαναλαμβάνει αποτυχημένα tools ή να χρησιμοποιεί context άλλου πελάτη. Γι’ αυτό η επιτυχία χρειάζεται behavioral testing και slices για stale state, poisoned input, cross-session leakage και recovery από λανθασμένο summary.
Το WMT είναι research framework και όχι έτοιμο production blueprint. Η αξία του για μια επιχείρηση βρίσκεται στη σειρά των ερωτήσεων που επιβάλλει: τι αποθηκεύεται, τι μένει ενεργό, τι συμπτύσσεται, τι αποσύρεται και ποιο evidence επιτρέπει επαναφορά.
Από το full history σε ελέγξιμη μνήμη agent
Ορίστε root task, subtasks, εργαλεία, δεδομένα, χρήστες και σημεία όπου μια λάθος μνήμη μπορεί να προκαλέσει εξωτερική ενέργεια ή διαρροή.
Ξεχωρίστε evidence, observation, assumption, tool result, failure warning και final outcome. Αποθηκεύστε provenance, timestamp, owner, sensitivity και lifecycle state.
Περιγράψτε ποια γεγονότα αυξάνουν ή μειώνουν utility, πότε ένα branch γίνεται folded ή obsolete και ποια στοιχεία δεν επιτρέπεται να προαχθούν σε global memory.
Συμπεριλάβετε reasoning, retrieval, selector, summarization και retries. Μην αξιολογείτε την αποδοτικότητα μόνο από το μέγεθος του τελικού prompt.
Εισαγάγετε ελεγχόμενες λανθασμένες μνήμες, παλιά policies, αντικρουόμενα tool outputs και cross-session traps. Μετρήστε retrieval, persistence, blast radius και task recovery.
Διατηρήστε human approval για high-impact actions, immutable audit trail, δυνατότητα ανάκλησης μνήμης και σαφή επαναφορά σε γνωστή καλή κατάσταση.
Προχωρήστε μόνο αν η μνήμη βελτιώνει το πραγματικό workload χωρίς απαράδεκτο latency, κόστος ή ασφάλεια. Διαφορετικά περιορίστε το scope ή επιστρέψτε σε απλούστερη πολιτική.
Σε multi-agent περιβάλλον, οι κανόνες πρέπει να καλύπτουν και shared state. Ένας compromised worker δεν πρέπει να προωθεί ανεξέλεγκτα μνήμες σε άλλον agent ή να παρακάμπτει locks και approvals. Η διαχείριση concurrency μεταξύ AI agents είναι συμπληρωματική προς το memory lifecycle, επειδή αποτρέπει συγκρουόμενες εγγραφές και ανεξέλεγκτες αλληλουχίες ενεργειών.
Η μελέτη περιορίζεται στην οικογένεια benchmarks GAIA, με τρία σχετικά μικρά open-weight μοντέλα. Κάθε ερώτηση ξεκινά νέο query-specific tree, επομένως δεν αξιολογείται η cross-conversation global memory που περιγράφει η αρχιτεκτονική. Τα hand-specified initialization values, decay rates, branch coefficients και thresholds μπορεί να μην είναι κατάλληλα για άλλους agents ή task distributions.
Το GAIA-Text απομονώνει text-based reasoning και tool use, ενώ το πλήρες GAIA περιλαμβάνει και αρχεία. Παρ’ όλα αυτά, τα δύο sets μοιράζονται task construction και answer format. Δεν υπάρχει άμεση απόδειξη γενίκευσης σε software-engineering agents, πολυήμερες συνομιλίες, live e-commerce operations ή customer-support environments. Το poisoning corpus είναι ελεγχόμενο και δεν καλύπτει όλο τον χώρο πραγματικών επιθέσεων.
Επιπλέον, η αρχιτεκτονική εισάγει νέα failure surfaces: ο semantic selector μπορεί να αγνοήσει κρίσιμο evidence, η σύνοψη να αλλοιώσει λεπτομέρεια και το scoring να ανταμείψει μια λανθασμένη αλλά φαινομενικά επιτυχημένη ενέργεια. Γι’ αυτό τα λειτουργικά failures των AI agents στην παραγωγή πρέπει να αναλύονται σε επίπεδο μοντέλου, εργαλείων, state, policies και ανθρώπινης εποπτείας.
Το σωστό συμπέρασμα είναι στενό και χρήσιμο: στα συγκεκριμένα experiments, η επιλεκτική ενεργοποίηση της μνήμης έδωσε καλύτερη ισορροπία ακρίβειας, token cost και robustness από το πλήρες linear history. Για μια επιχείρηση, αυτό δεν είναι έτοιμη εγγύηση απόδοσης αλλά ισχυρό design hypothesis. Το memory system πρέπει να δοκιμαστεί στο πραγματικό workload με total-cost accounting, security controls, auditability και σαφή δυνατότητα να σταματήσει.
Από το memory concept σε ασφαλές agent workflow
Η TWO DOTS χαρτογραφεί tasks, εργαλεία, memory states, approvals, logs και failure tests ώστε ο agent να κρατά το χρήσιμο context χωρίς να μετατρέπει κάθε παλιά εγγραφή σε μόνιμη οδηγία.
Често задавани въпроси
Είναι μια ερευνητική αρχιτεκτονική μνήμης για long-horizon LLM agents. Οργανώνει tasks, subtasks και actions σε δέντρο και ρυθμίζει ποια στοιχεία παραμένουν ενεργά στο working context.
Όχι υποχρεωτικά. Μπορεί να τις καταστήσει obsolete για τη συνηθισμένη κατασκευή prompt, ενώ το πλήρες execution record παραμένει στη μόνιμη αποθήκευση για audit ή μελλοντική ανάκτηση.
Έναντι του linear history, η μέση βελτίωση στα τρία μοντέλα ήταν 9,97 ποσοστιαίες μονάδες και η μέση μείωση prompt tokens 32,8%, σύμφωνα με το συγκεκριμένο paper.
Επειδή η ιεραρχία οργανώνει το ιστορικό αλλά δεν αποφασίζει από μόνη της ποια μνήμη είναι χρήσιμη. Στα experiments, το unweighted tree δεν έδωσε σταθερή βελτίωση έναντι του linear history.
Όχι. Εκτιμά λειτουργική χρησιμότητα μέσα στην εκτέλεση. Μια λανθασμένη εγγραφή μπορεί να διατηρήσει υψηλό score αν συνδεθεί με φαινομενικά επιτυχημένη ενέργεια.
Είναι η εισαγωγή παραπλανητικών ή κακόβουλων πληροφοριών στη μνήμη ενός agent ώστε να επηρεάσουν μεταγενέστερη ανάκτηση, reasoning ή ενέργειες.
Ναι. Τα prompt-token totals της μελέτης περιλαμβάνουν τις κλήσεις του βασικού agent, της semantic επιλογής και της σύνοψης όταν αυτές χρησιμοποιούνται.
Όχι χωρίς pilot. Η μελέτη δεν αξιολογεί πραγματικές εταιρικές εγκαταστάσεις ή cross-conversation global memory. Απαιτούνται tests στο συγκεκριμένο workload, ασφάλεια, monitoring και rollback.
