За пределами памяти: новый шаблон для совместной работы с агентами ИИ
В мире исследований и образования результаты, решения и логика, полученные в ходе работы, часто теряются для будущих коллег. Публикации и код склонны скрывать неудачи, заставляя новичков повторять чьи-то ошибки. Исследователи из проекта arXiv предлагают решение: шаблон «llm-wiki-memory», который заставляет языковые модели вести учет всех шагов, включая тупики, создавая надежный фундамент для разнообразного сотрудничества между людьми и искусственным интеллектом.
# За пределами памяти: шаблон для устойчивой совместной работы с агентами ИИ
В эпоху, когда исследовательские проекты и образовательные усилия накапливают бесчисленные находки и обоснования, возникает парадокс: будущее сотрудничество редко может восстановить эти детали. Чаще всего наиболее ценные части процесса — включая тупиковые пути и отброшенные утверждения — сознательно исключаются из итоговых публикаций и разделяемого кода. Последующие исследователи вынуждены заново проходить те же ошибки, потому что никаких записей о них не остается. В то время как агенты кодинга на базе больших языковых моделей (LLM) становятся обычными участниками процесса, они обычно не имеют памяти между сессиями, а поиск информации в сырых источниках не накапливает знаний.
Исследователи Присила Сабоия Морейра и Кристофер Свют представляют новый подход, основанный на паттерне «llm-wiki», который встраивает между сырыми данными и агентом поддерживаемую ИИ вики-систему с связанными статьями. Они предлагают конкретную реализацию под названием «llm-wiki-memory-template» — повторнос使用的емый и чувствительный к агентам шаблон. Авторы утверждают, что этот шаблон служит субстратом для гетерогенной совместной работы знаний вдоль трех осей: многолюдской (несколько человек), многоагентной (несколько ИИ-агентов) и многодоменной. Каждая ось поддерживается уникальным архитектурным элементом шаблона.
Сохранение пути неудач и честность агентов
Ключевой особенностью предлагаемой системы является то, что вики работает по принципу добавления только новых записей (append-only). Это означает, что система сохраняет то, что не сработало, вместе с тем, что сработало. Это решает фундаментальную проблему потери результатов с отрицательным исходом, которую традиционно не может решить структура публикаций и обмена кодом. Такой подход позволяет избежать потери контекста и дает полную картину хода исследования.
В работе описываются три развернутых исследования и один отчет о дизайне, охватывающие указанные оси индивидуально. Одно из исследований касается однопользовательской исследовательской линии, которая сохраняет все брошенные итерации. Другой случай демонстрирует работу над двухавторским проектом. Ретроспективный аудит этого проекта позволил пересмотреть ранее заявленные результаты: первоначальное покрытие в 20 из 20 было скорректировано вниз до 14 и 12 ответов, основанных на доказательствах. После внесения исправлений показатель вернулся к 18 и 18, но, что важно, путь неудачи был сохранен в артефакте вместе с исправлениями.
Также упоминается развертывание в нескольких агентов, описанное как проект дизайна, и вариант, применяемый в образовательной сфере для работы с различными предметными областями.
Социотехнические свойства
Авторы вводят понятия «сохранение пути неудач», «честности агентов» и «присвоения» как сквозные социо-технические свойства артефакта. Эти свойства касаются не только технических механизмов, но и того, как система влияет на социальные аспекты совместной работы. В отличие от традиционных систем, которые могут «забывать» о прошлых ошибках, этот шаблон обеспечивает прозрачность процессов принятия решений и развития идей.
Этот подход особенно актуален в условиях, когда автоматизация становится все более распространенной. Однако, как показывают эти исследования, даже при наличии мощных инструментов, таких как агенты ИИ, без надежной системы памяти и учета ошибок эффективность командной работы может снижаться. Представленный шаблон предлагает архитектурное решение для интеграции человеческого опыта и машинной мощи, сохраняя при этом способность учиться на ошибках.
Система также учитывает возможность адаптации под разные домены, что делает её универсальной для применения как в академической среде, так и в промышленной разработке программного обеспечения. Таким образом, проект предлагает не просто технический инструмент, а новый способ организации интеллектуальной деятельности, где ошибка становится ценным данным, а не просто помехой.