Forscher nehmen Gedächtnislücken bei langfristig arbeitenden KI-Agenten ins Visier

Eine Reihe aktueller arXiv-Papers untersucht die Grenzen heutiger Speichersysteme für LLM-Agenten und argumentiert, dass Retrieval-Speicher, Scratchpads und Kontextmanagement oft eher als Nachschlagewerke denn als echtes Lernen funktionieren. Dazu zählen ChronoMem, eine semantische Versionskontrollschicht für Agenten-Speicher in Googles Open-Source Agent Development Kit; ScrubJay-MEM, ein Retrieval-Memory-Design mit typabhängigem zeitlichem Verfall; und OneDayAgent, ein Harness, der anhand von 104 langfristig angelegten Aufgaben evaluiert wurde. Die Papers betrachten Agenten-Speicher zudem als Grundlage für langfristig arbeitende und sich selbst weiterentwickelnde Agenten.