ИИ‑агенты до сих пор плохо помнят прошлые взаимодействия. С каждой новой задачей им приходится заново получать нужные данные или вытаскивать их из внешних источников. Когда задачи становятся длиннее и сложнее, это начинает тормозить работу: модели вынуждены снова и снова перечитывать длинную историю диалога или разбираться в разрозненных заметках и кратких сводках.
Как сообщает Microsoft Research Blog, система Memora предлагает масштабируемую архитектуру памяти для ИИ‑агентов. В ней разделены два процесса: хранение информации и её извлечение. Сама память может оставаться подробной, например включать обсуждения ограничений проекта или временную линию решений. Поверх неё работает лёгкий структурный слой, который занимается индексацией и поиском нужных фрагментов. Благодаря этому агент может ориентироваться в собственной истории, не перечитывая всю переписку.
Разработчики описывают Memora как фреймворк памяти для агентов, которые работают с задачами длинного горизонта. Речь, например, о цифровых ассистентах, сопровождающих многомесячные проекты или постепенно накапливающих экспертизу в исследовательских задачах. В существующих системах памяти обычно возникает компромисс между сохранением точных деталей и удобной организацией знаний. Подходы вроде RAG и Mem0 хранят отдельные факты и фрагменты текста. Методы с сильным сжатием делают компактные сводки, но в них теряется часть деталей.
В тестах на бенчмарках длинных диалогов LoCoMo и LongMemEval система Memora показала результаты уровня state‑of‑the‑art. Она превзошла Mem0, RAG и подход с передачей всей истории в контекст модели, при этом использовала до 98% меньше контекстных токенов. Описание метода опубликовано на конференции ICML 2026, код проекта разработчики открыли.
Ключевые факты
В экспериментах Memora превзошла Mem0, RAG и подход с передачей всей истории в контекст модели
Система использует до 98% меньше контекстных токенов по сравнению с передачей полной истории диалога
Исследование Memora представлено на конференции ICML 2026