Geleneksel bellek alma yöntemlerinden farklı olarak, bu sistem dinamik bir bellek yapısını akıllı biçimde inşa ederek token tüketimini önemli ölçüde azaltıyor.
Statik Bellek Sistemlerinin Sınırları
Mevcut yapay zeka ajanları, sorgu başına ortalama 118 bin token kullanırken, klasik bellek yönetim yaklaşımları gibi LangMem 3,26 milyon token tüketiyor. Bunun nedeni, geleneksel sistemlerin vektör araması veya grafik taraması yaparak bulduğu belgeleri hiçbir analiz olmaksızın doğrudan dil modeline aktarmasıdır. Bu pasif yöntem üç temel soruna yol açıyor: sistem muhakeme sırasında alma stratejisini değiştiremediği, benzerlik puanları sabit kalıp gereksiz gürültü yarattığı ve önceden belirlenmiş yapılar nedeniyle uzun vadeli etkileşimlere uyum sağlayamadığı için başarısız oluyor.
Aktif ve İlişkisel Bellek İnşası
MRAgent bu sorunları, bilişsel sinir biliminden esinlenen bir yaklaşım kullanarak çözmektedir. Sistem, belleği statik bir veri tabanı değil, etkileşimli bir ortam olarak ele alıyor. Karmaşık bir sorguyu işlerken, dil modeli bir yapılandırılmış bellek grafiği içinde çoklu arama yollarını keşfediyor. Her adımda topladığı ara kanıtları değerlendirerek aramasını iyileştiriyor, yeni kısıtlamalar çıkarıyor ve gereksiz dalları budıyor.
Üç Katmanlı Bellek Mimarisi
MRAgent, veritabanını İşaret-Etiket-İçerik mekanizmasıyla düzenliyor. İşaretler, kullanıcı sorgusundan çıkarılan kişiler veya bağlamsalattributlar gibi hassas anahtar sözcüklerdir. İçerik ise depolanan gerçek bellek birimleridir ve somut olaylar için epizodik bellek ile sabit gerçekler için anlambilimsel bellek arasında bölünmüştür. Etiketler ise belirli işaretlerle içerik arasındaki ilişkileri özetleyen anlambilimsel köprüleri oluşturur. Bu yapı, dil modelinin önce işaretlerden aday etiketlere gezinmesi ve ardından bunları değerlendirmesi yoluyla son derece verimli iki aşamalı bir alma süreci sağlar.
Yorumlar (0)
Henüz yorum yok. İlk yorumu siz yazın.