Ein zum Nachdenken anregender chinesischer Engineering-Blogbeitrag stellt den vorherrschenden Ansatz zum Aufbau eines Langzeitgedächtnisses für KI-Agenten in Frage. Der Autor argumentiert, dass die meisten aktuellen Implementierungen das Agentengedächtnis als eine einfache RAG-Pipeline behandeln: Aufteilen von Verlaufsnachrichten in Blöcke, Generieren von Einbettungen, Speichern in einer Vektordatenbank und Abrufen von Top-K-Ergebnissen bei Bedarf. Dies funktioniert zwar für MVPs, erfüllt aber grundlegend nicht die Anforderungen von produktionsreifen Agenten, die Nachverfolgung von Nachweisen, Versionskontrolle und Lebenszyklusverwaltung von Erinnerungen erfordern. Der Artikel schlägt eine robustere Architektur vor, bei der das Agentengedächtnis als erstklassiges Datensystem mit eigenem Schema, Versionierung und Konsistenzgarantien behandelt wird. Dies umfasst die Aufrechterhaltung der Herkunft jedes Gedächtniseintrags, die Unterstützung von Aktualisierungen und Löschungen mit ordnungsgemäßem Verlauf sowie die Implementierung von Garbage Collection für veraltete oder irrelevante Erinnerungen. Der Autor diskutiert auch die Kompromisse zwischen verschiedenen Speicher-Backends (relational, Graph und Vektor) und schlägt einen hybriden Ansatz vor.
Dieser Artikel argumentiert, dass das Langzeitgedächtnis von Agenten nicht als leichtgewichtiges RAG-System behandelt werden sollte. Stattdessen wird ein Datensystem vorgeschlagen, das Nachweise, Versionierung und Lebenszyklusverwaltung für Agentenerinnerungen aufrechterhält und über die einfache Vektorähnlichkeitssuche hinausgeht.