MRAgent: новый подход к управлению памятью ИИ-агентов снижает затраты на токены в разы

Исследователи из Национального университета Сингапура представили MRAgent — инновационный фреймворк для больших языковых моделей (LLM), который решает проблему быстрого переполнения контекстного окна при выполнении сложных и длительных задач. Вместо классического статического подхода «сначала извлечение, затем рассуждение» система использует механизм динамической реконструкции памяти на основе накапливаемых данных. Это позволяет значительно снизить расход токенов и ускорить работу ИИ-агентов.

Ограничения традиционного поиска информации

В классических системах ИИ документы извлекаются из базы данных с помощью векторного поиска или обхода графов, после чего передаются нейросети для анализа. Этот пассивный метод не позволяет объединить процесс рассуждения с доступом к памяти, что создает три ключевые проблемы:

• Невозможность скорректировать стратегию поиска на ходу. Если агент в процессе анализа находит зацепку, указывающую на необходимость уточнить дату или имя, он не может автоматически отправить новый точечный запрос к базе данных.
• Избыточный информационный шум. Алгоритмы выдают поверхностные совпадения, которые перегружают контекстное окно LLM лишними данными, ухудшая качество ответов.
• Статичность структуры. Использование фиксированных выборок ограничивает гибкость системы при длительном взаимодействии с пользователем.

Для решения этих проблем разработчики предложили концепцию активного ассоциативного восстановления, вдохновленную принципами когнитивной нейробиологии. Система начинает поиск с небольших триггеров в запросе пользователя (имен, мест или действий), которые ведут к связанным категориям, а не к огромным массивам текста. Двигаясь по этим метаданным, ИИ-агент собирает доказательства по цепочке, пока не восстановит полную картину.

Архитектура MRAgent: «Ориентир — Тег — Содержимое»

Фреймворк MRAgent (Memory Reasoning Architecture for LLM Agents) относится к памяти как к интерактивной среде. В процессе обработки сложного запроса ИИ исследует возможные пути поиска по структурированному графу памяти, оценивает промежуточные результаты, отсекает ненужные ветви и оптимизирует дальнейшие шаги. Чтобы сделать этот процесс экономически выгодным, база данных структурируется по трехуровневой схеме:

• Ориентиры (Cues): ключевые слова, сущности и контекстные атрибуты, извлеченные из запроса.
• Теги (Tags): смысловые мосты, описывающие связи между ориентирами и самим контентом.
• Содержимое (Content): непосредственные единицы памяти, разделенные на эпизодическую (конкретные события) и семантическую (факты и предпочтения) память.

Двухэтапный поиск устроен следующим образом: сначала модель переходит от ориентиров к тегам. Изучая короткие описания тегов, агент оценивает их релевантность и сразу отбрасывает неподходящие ветви графа, не тратя ресурсы на чтение тяжелых массивов текста.

Пример работы алгоритма на практике

В качестве примера рассматривается запрос пользователя о том, как условный персонаж распорядился выигрышем после победы в своем третьем киберспортивном турнире. Процесс обработки выглядит так:

• MRAgent выделяет стартовые ориентиры: имя персонажа, «киберспортивный турнир» и «победа».
• Система сопоставляет их с графом памяти и проверяет связанные теги, такие как «Победа в турнире» и «Участие в турнире». Так как запрос касается только победы, тег простого участия отбрасывается.
• ИИ извлекает три эпизода памяти, связанных с победами персонажа.
• Анализируя эти три эпизода, модель выбирает нужный (третий по счету турнир) и удаляет из контекста два других.
• Обновив ориентиры термином «выигрышные деньги», агент делает новый точечный запрос и находит финальный ответ (например, о том, что герой отложил деньги на сберегательный счет).

Результаты тестирования и эффективность

Работу MRAgent протестировали на бенчмарках LoCoMo и LongMemEval, которые имитируют длительное общение с пользователем на протяжении десятков сессий. В качестве базовых моделей использовались Gemini 2.5 Flash и Claude Sonnet 4.5. Разработку сравнили с классическими RAG-системами, а также с популярными фреймворками A-MEM, MemoryOS, LangMem и Mem0.

Новое решение превзошло конкурентные аналоги по точности ответов. Однако главным преимуществом MRAgent стала экономическая эффективность. В тестах LongMemEval фреймворк снизил потребление входных токенов до 118 тысяч на один запрос. Для сравнения, система A-Mem затратила 632 тысячи токенов, а LangMem — 3,26 миллиона токенов. Кроме того, время выполнения задач сократилось почти вдвое: с 1122 секунд (у A-Mem) до 586 секунд.

Реализация и внедрение фреймворка

Смотрите также:

Лучшие компактные печи 2026 года: обзор и результаты тестирования http://domkrat.org/luchshie-kompaktnyie-pechi-2026-goda-obzor-i-rezultatyi-testirovaniya/.

Интересное по теме: Обзор Razer Pro Type Ergo: Эргономичная клавиатура для продуктивной работы

Советы в статье "Умные метки Apple AirTag подешевели: стоит ли покупать поисковый трекер сейчас" здесь.

Для работы MRAgent требуется предварительная подготовка базы данных. Однако разработчикам не нужно вручную размечать информацию. Авторы проекта предусмотрели автоматический конвейер обработки данных: ИИ самостоятельно анализирует историю взаимодействий с пользователем и строит на ее основе граф памяти.

Создателям сервисов на базе ИИ достаточно настроить фоновый процесс, который будет пропускать сырые диалоги через шаблоны промптов для извлечения метаданных перед их отправкой в базу данных. Исходный код MRAgent уже опубликован в открытом доступе на GitHub.

Tweet