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 PrimeAgentOrchestrator δείχνει πώς επιλεκτική μνήμη, filesystem delivery, provenance και permissions μειώνουν το cold start των AI agents.
Το PrimeAgentOrchestrator δείχνει ότι ένας AI agent μπορεί να ξεκινά με χρήσιμη μνήμη χωρίς να μεταφερθεί όλο το ιστορικό του χρήστη στο prompt. Το πρακτικό μοτίβο είναι query–compile–inject: ανάκτηση σχετικών στοιχείων από υπάρχοντα backends, σύνθεση ενός ελέγξιμου briefing και παράδοσή του πριν από το spawn. Η προσέγγιση μειώνει το cold start μόνο όταν συνοδεύεται από provenance, έλεγχο παλαίωσης, περιορισμένα δικαιώματα και μετρήσιμη επαλήθευση.
Κάθε νέο AI agent αντιμετωπίζει ένα παράδοξο. Μπορεί να χρησιμοποιεί ισχυρό μοντέλο, εργαλεία και κώδικα, αλλά να αγνοεί γιατί η ομάδα διάλεξε μια συγκεκριμένη αρχιτεκτονική, ποιο workaround απορρίφθηκε, ποιος κανόνας ισχύει για το project ή τι απέτυχε σε προηγούμενη συνεδρία. Η απώλεια αυτή εμφανίζεται ως χρόνος επανεξήγησης, διπλή έρευνα και αποφάσεις που ανοίγουν ξανά χωρίς λόγο.
Сайтът PrimeAgentOrchestrator (PAO) αντιμετωπίζει αυτή την τριβή ως πρόβλημα υποδομής. Πριν εκκινήσει νέο Claude Code agent, ερωτά δύο υπάρχοντα συστήματα μνήμης, συνθέτει τα αποτελέσματα σε briefing και το τοποθετεί στο workspace. Η δημοσίευση είναι experience report τεσσάρων μηνών, από τον Δεκέμβριο του 2025 έως τον Μάρτιο του 2026, σε έναν MacBook Pro με Apple M3. Δεν είναι ελεγχόμενο benchmark γενικής υπεροχής, αλλά τεκμηριωμένη καταγραφή αρχιτεκτονικής και operational failure modes.
Τα multi-agent frameworks και η μακροχρόνια μνήμη λύνουν διαφορετικά ζητήματα. Ένα framework μπορεί να συντονίζει agents που ήδη τρέχουν. Ένα memory layer μπορεί να διατηρεί γνώση για την ίδια επίμονη ταυτότητα. Το PAO εξετάζει ένα τρίτο ερώτημα: ποια επιλεγμένη γνώση πρέπει να κληρονομήσει ένας νέος, εξειδικευμένος agent τη στιγμή που δημιουργείται.
Η διάκριση έχει πρακτική αξία. Ένας agent που ξεκινά μόνο με το task prompt πρέπει να ανακαλύψει ξανά το repository, τις προτιμήσεις και τις παλιές αποφάσεις. Ένας agent που λαμβάνει όλο το ιστορικό κινδυνεύει να σπαταλήσει context window, να χρησιμοποιήσει παρωχημένα facts ή να εκτεθεί σε άσχετα δεδομένα. Το ζητούμενο δεν είναι η μέγιστη μνήμη, αλλά η ελάχιστη επαρκής και ελέγξιμη μνήμη για τη συγκεκριμένη εργασία.
Cold session
Ξεκινά με το task prompt και τα διαθέσιμα εργαλεία. Μπορεί να ανακαλύψει το context, αλλά πληρώνει χρόνο εξερεύνησης και μπορεί να ξανανοίξει αποφάσεις που είχαν ήδη κλείσει.
Persistent agent memory
Διατηρεί συνέχεια για μία ταυτότητα agent κατά τη λειτουργία της. Δεν σημαίνει αυτόματα ότι ένας νέος specialized agent θα λάβει τη σωστή διατομή γνώσης στο spawn.
PAO spawn priming
Ανακτά task-specific μνήμες από εξωτερικά backends, τις συνθέτει σε χωριστό briefing και τις παραδίδει πριν ξεκινήσει ο νέος Claude Code agent.
Αυτό το επίπεδο δεν αντικαθιστά το harness. Προστίθεται δίπλα σε permissions, tool routing, logging, budgets και human approval. Οι enterprise AI harnesses με ενσωματωμένη διακυβέρνηση δείχνουν γιατί το context delivery πρέπει να αντιμετωπίζεται ως αρχιτεκτονικό control και όχι ως ακόμη ένα μεγαλύτερο prompt.
Η προσωπική ή εταιρική γνώση σπάνια βρίσκεται σε μία αποθήκη. Μπορεί να είναι κατανεμημένη σε entity database, ιστορικό συνομιλιών, τεχνικές σημειώσεις, tickets ή semantic index. Το PAO δεν επιχειρεί να μεταναστεύσει αυτά τα δεδομένα σε κοινό schema. Καλεί κάθε backend με τον εγγενή τρόπο του και μετατρέπει μόνο τα ανακτημένα στοιχεία σε briefing για το τρέχον task.
Το μοτίβο έχει τρία καθαρά στάδια. Στο query, το θέμα και το workspace γίνονται ερωτήματα με backend-specific retrieval. Στο compile, τα αποτελέσματα εισάγονται σε template, τα κενά τμήματα αφαιρούνται και διατηρείται σαφής προέλευση. Στο inject, το briefing γράφεται πριν από την εκκίνηση, ώστε η παράδοση να μη βασίζεται σε χρονισμό του terminal.
Για μια επιχείρηση, αυτό μοιάζει περισσότερο με integration layer παρά με νέο database product. Η αξία δεν είναι να κατέχει όλη τη γνώση, αλλά να μετατρέπει αξιόπιστα διαφορετικές πηγές σε context κατάλληλο για το συγκεκριμένο action. Το ίδιο σκεπτικό εφαρμόζεται σε hybrid AI search με lexical, semantic και fallback retrieval: η ανάκτηση πρέπει να ταιριάζει στα δεδομένα, όχι να πιέζει όλες τις πηγές σε μία τεχνική.
Αν κανένα backend δεν επιστρέψει χρήσιμη μνήμη, το PAO δεν κατασκευάζει τεχνητό ιστορικό. Ο agent λαμβάνει self-priming οδηγίες ώστε να αναζητήσει μόνος του τις πηγές που χρειάζεται. Αυτή η συμπεριφορά είναι σημαντικό reliability property: το «δεν βρέθηκε context» πρέπει να είναι ορατή κατάσταση και όχι πρόσκληση για εικασία.
Η υλοποίηση οργανώνει το spawn σε επτά διακριτά βήματα. Η ακολουθία δείχνει ότι το memory priming δεν είναι απλή κλήση σε vector search, αλλά lifecycle automation με validation, delivery, trust και readiness checks.
Η ορθότητα της σειράς έχει σημασία. Αν το briefing δημιουργηθεί μετά το process launch ή αν το trust dialog εμφανιστεί πριν γίνει δεκτό το input, το priming μπορεί να χαθεί σιωπηλά. Αν το readiness check βασιστεί σε πρώιμο στοιχείο της welcome screen, η αυτοματοποίηση μπορεί να στείλει κείμενο ενώ ο agent ακόμη φορτώνει MCP servers.
Παρόμοια προβλήματα εμφανίζονται σε κάθε terminal-based agent. Η ανάλυση για το γιατί οι terminal agents είναι ολόκληρα συστήματα και όχι μόνο μοντέλα βοηθά να γίνει σαφές ότι process state, input delivery, error detection και recovery καθορίζουν την τελική αξιοπιστία.
Το πρώτο backend ήταν PostgreSQL entity-observation database με 715 observations για 217 entities κατά την αξιολόγηση. Χρησιμοποιούσε full-text search και ts_rank ως κύρια διαδρομή. Όταν το stemming δεν εξυπηρετούσε σωστά proper nouns ή domain-specific όρους, ενεργοποιούσε fallback ανά keyword με ILIKE.
Το δεύτερο backend ήταν semantic index παλαιών Claude Code conversations σε Cloudflare Worker, με D1 storage και Vectorize embeddings. Η επικοινωνία γινόταν μέσω JSON-RPC πάνω από HTTP. Σε αντίθεση με τη lexical βάση, μπορούσε να βρει εννοιολογικά συγγενείς συνομιλίες χωρίς κοινές ακριβείς λέξεις.
Το πλεονέκτημα της γεφύρωσης είναι η ανεξάρτητη εξέλιξη κάθε πηγής και η αποφυγή migration. Το μειονέκτημα είναι η μη ομοιόμορφη ποιότητα, η σύζευξη με τα schemas και η απουσία κοινής βαθμονόμησης relevance. Αν τα backends διαφωνούν, το PAO παραθέτει τα δύο στοιχεία και αφήνει την επίλυση στον receiving agent. Δεν διαθέτει chronological overriding ή joint ranking.
Σε production περιβάλλον, το briefing πρέπει επομένως να κρατά source identifier, timestamp, scope, owner και status για κάθε memory item. Χωρίς αυτά, η σύνθεση καταλήγει σε concatenation και όχι σε governance. Το σχετικό DreamBench-SWE για τη μνημονική υγιεινή AI agents εξηγεί γιατί stale, overscoped ή άσχετη μνήμη μπορεί να είναι χειρότερη από καθόλου μνήμη.
Η παράδοση context πέρασε από τρεις γενιές. Η πρώτη έγραφε το briefing σε προσωρινό αρχείο και το έκανε paste στο terminal, αλλά το κείμενο μπορούσε να φτάσει ενώ φορτώνονταν οι MCP servers. Η δεύτερη πρόσθεσε readiness polling, όμως πρώιμα indicators της welcome screen μπορούσαν να θεωρηθούν λανθασμένα ως πλήρης ετοιμότητα. Η τρίτη γράφει τα αρχεία στο working directory πριν ξεκινήσει το process.
Στην τρέχουσα εκδοχή, το CLAUDE.md διατηρεί τις οδηγίες του project και παραπέμπει σε ξεχωριστό CONTEXT_BRIEFING.md. Ο διαχωρισμός αποφεύγει την αντικατάσταση υπάρχοντος project context και επιτρέπει να ανανεωθεί το briefing ανεξάρτητα. Το nudge μετά το readiness γίνεται βοηθητικό, επειδή το ουσιαστικό context υπάρχει ήδη στο filesystem.
Το readiness polling χρησιμοποιεί exponential backoff από 1 έως 3 δευτερόλεπτα, με μέγιστο χρόνο 45 δευτερόλεπτα. Αναζητά θετικά indicators, όπως prompt, token counter, bypass mode και MCP count, αλλά και αρνητικά, όπως trust dialog, αποτυχία resume ή missing session. Ένα αρνητικό indicator σταματά τη διαδικασία με περιγραφικό error αντί να περιμένει μέχρι το timeout.
Η Terminal.app εκδοχή χωρίζει το paste και το Enter σε δύο AppleScript calls με καθυστέρηση 500 ms. Η tmux εκδοχή χρησιμοποιεί load-buffer και paste-buffer, επειδή το send-keys μπορεί να ερμηνεύσει χαρακτήρες ως εντολές. Αυτές οι λεπτομέρειες εξηγούν γιατί ο έλεγχος των AI agent harnesses σε self-hosted περιβάλλον πρέπει να περιλαμβάνει delivery state, timeouts και failure recovery.
Η αξιολόγηση συνέκρινε πέντε ζεύγη cold και primed Claude Code agents με ίδιο task prompt και ίσο χρόνο. Ένας Claude Haiku 4.5 judge, με temperature 0, βαθμολόγησε specificity, accuracy και actionability από 1 έως 5 για καθεμία από τις τρεις διαστάσεις. Οι primed agents κέρδισαν τρεις συγκρίσεις, ενώ οι cold agents κέρδισαν δύο περιπτώσεις όπου η επιθετική εξερεύνηση του filesystem κάλυψε το αρχικό κενό.
Αποτελέσματα της συγκεκριμένης αξιολόγησης PAO
Πραγματικές τιμές του experience report· δεν αποτελούν γενικό benchmark για memory systems ή AI agents.
Και τα 15 evaluation tasks παρήγαγαν briefing, με μέσο μέγεθος 4.816 χαρακτήρες και 11,5 memory items ανά task. Αυτές οι τιμές περιγράφουν τη συγκεκριμένη εγκατάσταση, τα συγκεκριμένα backends και το συγκεκριμένο μηχάνημα. Δεν είναι SLA για άλλες υποδομές, μεγαλύτερα datasets ή διαφορετικά network paths.
Η μελέτη αναγνωρίζει δύο σοβαρούς περιορισμούς. Το N=5 δεν δίνει στατιστική ισχύ και ο Anthropic judge βαθμολογεί Anthropic agent outputs, άρα υπάρχει κίνδυνος same-vendor bias. Η σωστή χρήση των αποτελεσμάτων είναι να σχεδιαστεί pilot και όχι να γραφτεί business case από τέσσερις αριθμούς. Τα behavioral tests για AI agents πρέπει να εξετάζουν επαναλαμβανόμενες συμπεριφορές, failure modes και πραγματικά outcomes.
Μια παλαιότερη εκδοχή του PAO περιλάμβανε τρίτο SQLite keyword backend. Σε 15 θέματα αξιολόγησης, η αφαίρεσή του μείωσε τα false-positive items στο out-of-domain control από 12 σε 4. Η in-domain precision έμεινε σχεδόν σταθερή: 57,4% με δύο backends έναντι 56,9% με τρία. Το αποτέλεσμα δεν αποδεικνύει καθολική υπεροχή της αφαίρεσης πηγών· δείχνει ότι ένα επιπλέον backend μπορεί να προσθέτει θόρυβο χωρίς ουσιαστική ανάκτηση.
Η production εκδοχή χρειάζεται μετρικές πέρα από delivery success. Κάθε briefing πρέπει να καταγράφει ποια πηγή επέστρεψε κάθε item, ποιο query χρησιμοποιήθηκε, πόσο παλιό είναι το στοιχείο, ποιο score ή fallback το επέλεξε και ποια μνήμη επηρέασε την τελική ενέργεια. Χωρίς αυτό το trace, η ομάδα δεν μπορεί να ξεχωρίσει retrieval failure από reasoning failure ή tool failure.
Οι αντιφάσεις χρειάζονται πολιτική υπερίσχυσης. Νεότερο fact δεν είναι πάντα καλύτερο αν προέρχεται από χαμηλότερης εμπιστοσύνης πηγή. Ένα company policy μπορεί να υπερισχύει προσωπικής σημείωσης, ενώ ένα επιβεβαιωμένο incident report μπορεί να ακυρώνει παλαιό runbook. Το memory item πρέπει να μεταφέρει provenance και authority, όχι μόνο κείμενο.
Gate πριν το briefing επηρεάσει write action
Μην επιτρέπετε σε μη επαληθεύσιμη, παρωχημένη ή αντιφατική μνήμη να μετατραπεί σε ενέργεια.
Απαιτήστε source, timestamp, scope και authority για κάθε κρίσιμο item. Αν δύο backends διαφωνούν ή το retrieval δεν μπορεί να αιτιολογήσει τη συνάφεια, περιορίστε τον agent σε read-only διερεύνηση και ανθρώπινη απόφαση.
Αυτό συνδέεται άμεσα με τις λειτουργικές αστοχίες AI agents στην παραγωγή. Η καλή αρχική απάντηση δεν αρκεί αν το σύστημα δεν μπορεί να εξηγήσει ποια μνήμη χρησιμοποίησε, γιατί την εμπιστεύτηκε και πώς επαλήθευσε το αποτέλεσμα.
Το PAO εκκινεί agents με --dangerously-skip-permissions. Η επιλογή υποστηρίζει unattended automation, αλλά παρακάμπτει τα permission prompts και μπορεί να δώσει στον agent ευρεία πρόσβαση ανάγνωσης, εγγραφής και εκτέλεσης στο host. Η μελέτη τη θεωρεί αποδεκτή μόνο στο δικό της πλαίσιο: ένας developer στο προσωπικό του μηχάνημα. Δεν τη γενικεύει για shared ή multi-user υποδομή.
Η μνήμη διευρύνει επιπλέον το attack surface. Ένα κακόβουλο ή μολυσμένο item μπορεί να επιβιώσει ανάμεσα σε συνεδρίες και να εμφανιστεί αργότερα ως έμπιστο briefing. Η επιλεκτική ανάκτηση δεν αρκεί αν η αποθήκευση δεν διαθέτει integrity controls, source trust, expiration, isolation και δυνατότητα ανάκλησης. Το agent πρέπει να αντιμετωπίζει το retrieved content ως δεδομένο, όχι ως instruction υψηλότερης προτεραιότητας.
Η ασφαλής εταιρική εκδοχή χρειάζεται task-specific allowlists εργαλείων, read-only αρχική φάση, χωριστά credentials, sandboxed workspace, audit log και approval για irreversible actions. Η χαρτογράφηση του agentic AI security stack βοηθά να συνδεθούν IAM, DLP, runtime controls και monitoring με το πραγματικό action surface.
Το trust pre-seeding πρέπει επίσης να ελέγχεται. Η προδημιουργία trust artifacts λύνει ένα UI blocker, αλλά δεν πρέπει να μετατραπεί σε γενική παράκαμψη πολιτικής. Σε enterprise περιβάλλον, τα artifacts οφείλουν να παράγονται από κεντρική policy, να έχουν περιορισμένο scope και να καταγράφονται ως μέρος του deployment.
Ένα pilot πρέπει να αρχίσει από επαναλαμβανόμενη εργασία όπου η απώλεια context είναι ορατή και η λανθασμένη μνήμη έχει περιορισμένο blast radius. Παραδείγματα είναι η προετοιμασία τεχνικού briefing, η αναζήτηση παλιών αποφάσεων ή η read-only διάγνωση incident. Η αυτόματη εγγραφή σε production, οι οικονομικές κινήσεις και η μεταβολή customer records δεν είναι κατάλληλο πρώτο βήμα.
Επτά βήματα για pilot memory-primed AI agent
Μετρήστε χρόνο επανεξήγησης, αναζήτηση αρχείων, επαναλαμβανόμενες ερωτήσεις και λάθη από αποφάσεις που ο agent δεν γνώριζε στην εκκίνηση.
Καταγράψτε owner, schema, freshness, authority, privacy και query model για κάθε βάση, semantic index, conversation archive ή knowledge store.
Περιορίστε μέγεθος και τύπους μνήμης, και απαιτήστε source, timestamp, scope, status και link επιστροφής στην πρωτογενή απόδειξη.
Επαληθεύστε filesystem injection, host auto-read, trust dialog detection, readiness timeout, empty retrieval και ασφαλή αποτυχία χωρίς κατασκευασμένο context.
Δώστε μόνο τα απαραίτητα εργαλεία και δεδομένα. Μην χρησιμοποιήσετε permission bypass και απαιτήστε ανθρώπινη έγκριση πριν από κάθε side effect.
Χρησιμοποιήστε ίδια tasks, ίδια χρονικά όρια και ανεξάρτητους ελέγχους για accuracy, actionability, stale use, contradictions, latency και operator corrections.
Αυξήστε autonomy μόνο αν η ποιότητα retrieval, τα permissions, το audit trail, το κόστος και η δυνατότητα rollback παραμένουν σταθερά σε επαναλαμβανόμενα runs.
Για marketing, e-commerce ή operations, το pattern μπορεί να προσαρμοστεί σε brand rules, taxonomy προϊόντων, εγκεκριμένες πολιτικές επιστροφών, προηγούμενες αποφάσεις καμπάνιας και KPI definitions. Πρόκειται για αναλογική εφαρμογή της αρχιτεκτονικής, όχι για χρήση που αξιολόγησε το paper. Κάθε workflow χρειάζεται δικά του access controls και outcome tests.
Η μέτρηση πρέπει να συνδυάζει χρόνο μέχρι την πρώτη χρήσιμη ενέργεια, relevance των memory items, ποσοστό αντιφάσεων, διορθώσεις από τον operator και τελική επιτυχία της εργασίας. Ένα pilot που μετρά μόνο αν δημιουργήθηκε briefing θα χάσει το ουσιαστικό ερώτημα: αν η μνήμη οδήγησε τον agent σε καλύτερη και ασφαλέστερη απόφαση.
Η μετάβαση από demo σε λειτουργία αποτυγχάνει συχνά στα permissions, στο data quality, στην παρατηρησιμότητα και στην ιδιοκτησία του workflow. Τα πέντε «τείχη» από το AI agent demo στην παραγωγή προσφέρουν χρήσιμο πλαίσιο για να μη μετατραπεί ένα εντυπωσιακό warm start σε ανεξέλεγκτη αυτοματοποίηση.
Η υλοποίηση αφορά έναν χρήστη, ένα βασικό agent platform και macOS-oriented terminal automation. Είναι δεμένη με CLAUDE.md, συγκεκριμένα trust artifacts, Terminal.app, tmux και UI indicators του Claude Code. Η μεταφορά σε άλλο host απαιτεί νέο delivery mechanism, permission model και readiness detector. Η γενικεύσιμη ιδέα είναι η ακολουθία query–compile–inject· ο κώδικας δεν είναι plug-and-play standard.
Η αξιολόγηση παραμένει μικρή, χωρίς human judges ή cross-vendor panel. Τα backends δεν έχουν κοινό confidence score, joint ranking ή αυτόματη επίλυση αντιφάσεων. Η observed auto-read συμπεριφορά δεν είναι συμβατικό API. Αυτοί οι περιορισμοί δεν ακυρώνουν το experience report, αλλά καθορίζουν την ένταση των claims που μπορεί να υποστηρίξει.
Η σημαντικότερη συμβολή είναι η αλλαγή οπτικής: η μνήμη agent δεν είναι μόνο αποθήκη που αναζητείται όταν το μοντέλο κολλήσει. Είναι μέρος της διαδικασίας εκκίνησης, μαζί με retrieval, compilation, delivery, trust, permissions και monitoring. Όπως δείχνει και το ζήτημα του concurrency control σε συστήματα πολλών AI agents, οι λειτουργικές εγγυήσεις προκύπτουν από το σύστημα γύρω από τα μοντέλα.
Για οργανισμούς με διάσπαρτη αλλά χρήσιμη γνώση, το bridge-first μοντέλο μπορεί να μειώσει το migration κόστος. Για ομάδες χωρίς υπάρχον memory ecosystem, μια ενιαία λύση μπορεί να είναι απλούστερη. Η σωστή απόφαση εξαρτάται από provenance, freshness, access policy, observability και κόστος συντήρησης των integrations. Η μνήμη που δίνει καλύτερη εκκίνηση αξίζει μόνο όταν η ομάδα μπορεί να εξηγήσει τι κληρονόμησε ο agent και να σταματήσει με ασφάλεια όταν το briefing είναι αβέβαιο.
Από το memory priming σε ασφαλές επιχειρηματικό workflow
Η TWO DOTS χαρτογραφεί πηγές γνώσης, οργανώνει ασφαλή AI agent pilots και συνδέει memory briefings, εταιρικά δεδομένα, policy controls, monitoring και ανθρώπινο handoff πριν ενεργοποιηθούν πραγματικά side effects.
Често задавани въпроси
Είναι σύστημα που εκκινεί νέους Claude Code agents και τους παραδίδει task-specific μνήμες από δύο εξωτερικά backends. Οι μνήμες συντίθενται σε CONTEXT_BRIEFING.md και γίνονται διαθέσιμες πριν ξεκινήσει η εργασία.
Όχι. Η αξιολόγηση περιλάμβανε πέντε qualitative comparisons, χωρίς στατιστική ισχύ, και χρησιμοποίησε Claude Haiku 4.5 για να βαθμολογήσει Claude Code outputs. Το αποτέλεσμα είναι ένδειξη για pilot, όχι γενική απόδειξη.
Χρησιμοποιεί PostgreSQL entity-observation database με lexical search και fallback ILIKE, καθώς και semantic index παλιών Claude Code conversations σε Cloudflare Worker με D1 και Vectorize embeddings.
Επειδή τα clipboard-based prompts εξαρτιόνταν από το timing της εκκίνησης. Τα αρχεία υπάρχουν πριν από το process launch, άρα μειώνεται το race, αν και η auto-read συμπεριφορά του CLAUDE.md χρειάζεται regression testing.
Οι primed agents κέρδισαν τρεις από τις πέντε συγκρίσεις, με μέσο score 9,6/15 έναντι 7,2/15. Οι cold agents κέρδισαν δύο tasks όπου η εξερεύνηση του filesystem κάλυψε το κενό context.
Το PAO χρησιμοποιεί permission bypass για unattended automation, ενώ η επίμονη μνήμη μπορεί να μεταφέρει παρωχημένο ή κακόβουλο context σε επόμενη συνεδρία. Shared περιβάλλοντα χρειάζονται least privilege, isolation, integrity controls και approvals.
Η ακολουθία query–compile–inject μπορεί να προσαρμοστεί σε marketing, e-commerce ή operations, αλλά το paper δεν αξιολόγησε αυτές τις χρήσεις. Κάθε workflow χρειάζεται δικά του memory sources, permissions και outcome tests.
Χρόνο μέχρι την πρώτη χρήσιμη ενέργεια, relevance και freshness των memory items, contradictions, operator corrections, latency, κόστος, task success, auditability και ασφαλή συμπεριφορά όταν δεν βρίσκεται έγκυρο context.
