Editorial ilmu komputer
Oracle Agent Memory sebagai Substrat Memori Perusahaan untuk Agen AI Horizon Panjang
Masalah inti
Agen AI horizon panjang beroperasi di seluruh percakapan yang diperluas dan beberapa sesi, yang mengubah memori menjadi masalah sistem daripada masalah pengambilan sederhana. Penerapan praktis memerlukan retensi status tugas di seluruh percakapan yang diperluas, pemulihan fakta dan preferensi spesifik pengguna di seluruh sesi, dan akumulasi pengetahuan prosedural dari hasil sebelumnya. Persyaratan ini melampaui pengambilan dokumen: lapisan memori harus menentukan interaksi mana yang menjadi status tahan lama, bagaimana status itu dilingkupi, bagaimana status itu diambil di bawah batasan latensi, dan bagaimana status itu direvisi atau dihapus seiring waktu.
Laporan ini mempelajari Oracle Agent Memory sebagai substrat memori native basis data yang dibangun di atas Oracle Database. Klaim utamanya adalah bahwa memori agen yang tahan lama harus dikelola dengan siklus hidup, pelingkupan, dan semantik pengambilan tingkat basis data daripada direkonstruksi dari riwayat percakapan mentah pada waktu inferensi. Tiga tema mengorganisasi diskusi: memori sebagai siklus hidup; arsitektur berlapis yang memisahkan inti memori aktif dari antarmuka penyimpanan memori pasif; dan metodologi evaluasi y
Inovasi
Laporan ini merangkum hasil LongMemEval yang mencapai **akurasi 93,8%**. Dibandingkan baseline riwayat datar, Oracle Agent Memory menggunakan sekitar **10,7x lebih sedikit token**. Baseline eksternal yang dipublikasikan atau dilaporkan disertakan jika tersedia.
Ukuran yang berpusat pada memori yang dilaporkan bersama akurasi tugas mencakup pengambilan bukti, recall, latensi, dan estimasi penggunaan token. Ukuran-ukuran ini penting karena substrat memori tidak hanya harus menghasilkan jawaban yang benar tetapi juga mengambil bukti yang mendukungnya dan melakukannya dalam batas latensi dan anggaran token operasional.
Perbandingan terhadap baseline riwayat datar adalah sinyal kuantitatif yang paling jelas: rezim akurasi tugas hilir yang sama dicapai dengan token sekitar satu orde lebih sedikit, yang secara langsung memengaruhi biaya, tekanan jendela konteks, dan latensi dalam penerapan horizon panjang.
Mengapa penting
Hasil mendukung pandangan bahwa memori agen adalah masalah sistem. Memperlakukan memori sebagai siklus hidup—ingestion, ekstraksi, konsolidasi, pengambilan, peringkasan, dan revisi atau penghapusan—memberikan kontrol eksplisit atas interaksi mana yang menjadi status tahan lama dan bagaimana status itu dilingkupi di seluruh pengguna, agen, dan thread. Pemisahan berlapis antara inti memori aktif dari antarmuka penyimpanan memori pasif menjadikan kontrol lingkup sebagai perhatian arsitektural kelas satu daripada konvensi tingkat aplikasi.
Hasil efisiensi token signifikan untuk agen horizon panjang. Baseline riwayat datar menumbuhkan konteks dengan setiap interaksi, yang meningkatkan penggunaan token dan latensi. Substrat native basis data yang mengonsolidasi dan mengambil secara selektif dapat menjaga konteks kerja tetap terbatas sambil mempertahankan status tugas, fakta dan preferensi spesifik pengguna, serta pengetahuan prosedural dari hasil sebelumnya.
Metodologi evaluasi juga merupakan kontribusi: melengkapi akurasi tugas hilir dengan pengambilan bukti, recall, latensi, dan estimasi penggunaan token memberikan gambaran yang lebih lengkap tentang kualitas memori. Sistem yang menjawab dengan benar tetapi tidak dapat menampilkan bukti pendukung, atau melakukannya pada latensi atau biaya token yang tidak dapat diterima, tidak layak secara operasional.
Materi lampiran yang berorientasi implementasi yang mencakup penyiapan, siklus hidup thread, dan semantik pencarian menunjukkan bahwa substrat ini dimaksudkan untuk penerapan praktis, di mana siklus hidup thread dan semantik pencarian menentukan bagaimana memori dilingkupi dan diambil dalam produksi.
Pandangan berlapis dari arsitektur dapat direpresentasikan sebagai berikut:
Siapa yang sebaiknya membaca
Membuka konten member…