Meta AI używa drugiego agenta jako trenera pamięci w długotrwałych zadaniach

Badacze z Meta AI opracowali innowacyjne rozwiązanie problemu „rozpadu stanu behawioralnego” u agentów AI — zjawiska, gdy podczas długotrwałych zadań systemy zapominają o ograniczeniach, powtarzają nieudane komendy i ponownie odkrywają już zdiagnozowane błędy. Nowy system wykorzystuje drugiego agenta AI jako „trenera pamięci”, który decyduje, kiedy przypomnieć głównemu agentowi o kluczowych informacjach.

Według opublikowanego przez Meta AI badania, podczas wykonywania złożonych zadań agenty często rozpoznają ograniczenia na początku, by później je naruszyć podczas naprawiania niezwiązanych błędów. Widzą, że komenda się nie powiodła, a następnie próbują niemal identycznej wersji wkrótce potem. Diagnozują wzorzec błędów, by później traktować ten sam wzorzec jako nowy.

Kluczowe wnioski

• System łączy niezmodyfikowanego „agenta akcji” z oddzielnym „agentem pamięci”, który w ustalonych odstępach decyduje, czy dodać przypomnienie czy pozostać cicho.
• Na benchmarku Terminal-Bench 2.0 system rozwiązał 46% zadań za pierwszym podejściem w porównaniu do 38% dla wersji bazowej.
• Bank pamięci zawiera trzy sekcje: prywatne pole statusu, pamięć wiedzy (wymagania, ścieżki plików) i pamięć proceduralną (nieudane komendy, udane poprawki).
• Selektywne przypominanie działa lepiej niż ciągłe dostarczanie pełnej pamięci — wersja otrzymująca kompletny bank pamięci na każdym kroku osiągała gorsze wyniki.
• Korzyści były większe dla słabszych agentów, ale nie znikały przy użyciu mocniejszych modeli jak Claude Opus 4.6.

Problem rozpadu stanu behawioralnego

Istniejące systemy pamięci koncentrują się na przechowywaniu, aktualizowaniu i odzyskiwaniu informacji, co sprawdza się przy personalizacji i przywołaniu danych między sesjami. Jednak agenty pracujące nad zadaniami napotykają inne wyzwanie — system musi zdecydować, kiedy pamięć jest wystarczająco użyteczna, by ją przywołać.

Zbyt mało przypomnień prowadzi do powtarzanych błędów, podczas gdy zbyt wiele zwiększa opóźnienia, zużywa tokeny i rozprasza agenta od bieżącej pracy. Meta AI podkreśla, że samo dostarczenie agentom dostępu do dłuższej historii nie rozwiązuje problemu. Stan kierujący decyzjami agenta rozprasza się w rosnącej historii zadań, może zostać pogrzebany głęboko w oknie kontekstu lub całkowicie z niego wypaść.

Architektura dwóch agentów

Proponowany system łączy niezmodyfikowanego „agenta akcji” z oddzielnym „agentem pamięci”. W ustalonych odstępach agent pamięci przegląda przesuwające się okno najnowszych kroków i aktualizuje strukturalny bank pamięci. Następnie decyduje, czy dodać krótkie przypomnienie do kolejnego wywołania agenta akcji, czy pozostać cichy.

Bank pamięci składa się z trzech sekcji. Prywatne pole statusu śledzi postęp i zagrożenia i nigdy nie jest pokazywane agentowi akcji. Pamięć wiedzy przechowuje stabilne fakty jak wymagania, ścieżki plików i konfiguracje. Pamięć proceduralna rejestruje co agent próbował i co się stało, włączając nieudane komendy, udane poprawki i odrzucone hipotezy.

Podczas każdego kroku pamięci agent może aktualizować bank tylko przez predefiniowane wywołania narzędzi, zamiast swobodnego nadpisywania zawartości. Następnie decyduje, czy reaktywować przechowywany stan i w razie potrzeby pisze ukierunkowane przypomnienie.

Wyniki testów i porównania

Badacze przetestowali system na Terminal-Bench 2.0, który ocenia autonomicznych agentów w realistycznych środowiskach wiersza poleceń, oraz na tau2-Bench testującym konwersacyjne użycie narzędzi w sektorach lotniczym, detalicznym i telekomunikacyjnym. Claude Opus 4.6 służył jako agent pamięci.

Ze starszym Claude Sonnet 4.5 jako agentem akcji, system rozwiązał 46% zadań Terminal-Bench za pierwszym podejściem wobec 38% dla wersji bazowej. Na tau2-Bench średnia ważona zadaniami wzrosła z 55% do 62%.

Wyniki różniły się między domenami — wyniki dla zadań lotniczych i detalicznych wzrosły o około 10 punktów procentowych, podczas gdy telekomunikacja poprawiła się tylko o 3 punkty. Nierównomierne zyski sugerują, że agent pamięci interweniuje z różną częstotliwością w zależności od zadania.

System przewyższył również Mem0, produkcyjną warstwę pamięci wykorzystującą wyszukiwanie rekordów. Różnica polega nie tylko na tym, które rekordy system odzyskuje, ale także na tym, czy i jak przechowywany stan powinien wejść do pętli jako ukierunkowane przypomnienie.

Selektywne interwencje działają lepiej niż stałe przypominanie — gdy agent akcji otrzymywał pełny bank pamięci na każdym kroku, wydajność spadała poniżej pełnego systemu. Pełny projekt łączący utrzymywany bank pamięci z selektywnymi przypomnieniami osiągnął najlepsze rezultaty.