Des chercheurs s’attaquent aux trous de mémoire des agents IA à long horizon

Une série d’articles récemment publiés sur arXiv examine les limites des systèmes de mémoire actuels des agents LLM, en soutenant que les bases de récupération, les scratchpads et la gestion du contexte fonctionnent souvent comme de simples outils de consultation plutôt que comme un véritable apprentissage. Ces travaux incluent ChronoMem, une couche de contrôle de version sémantique pour la mémoire des agents dans l’Agent Development Kit open source de Google ; ScrubJay-MEM, une architecture de mémoire par récupération utilisant une décroissance temporelle conditionnée par type ; et OneDayAgent, un banc d’essai évalué sur 104 tâches à long horizon. Les articles passent également en revue la mémoire des agents comme fondement d’agents à long horizon et capables d’auto-évolution.