Un preprint reciente, LLMA-Mem, desafía el enfoque dominante de escalar sistemas multiagente LLM simplemente agregando más agentes. En su lugar, propone un framework de aprendizaje permanente habilitado por memoria que permite a los agentes acumular y reutilizar experiencia a lo largo del tiempo, 'escalando el tiempo' en lugar de 'escalar equipos'. El artículo argumenta que los sistemas multiagente actuales sufren de ineficiencia porque cada agente comienza desde cero, ignorando interacciones pasadas. Al integrar memoria episódica y semántica, LLMA-Mem permite a los agentes aprender de tareas anteriores, reduciendo el cómputo redundante y mejorando el rendimiento a largo plazo. Esto es particularmente relevante para aplicaciones como desarrollo de software continuo, investigación autónoma y simulaciones de larga duración donde los equipos de agentes operan durante períodos prolongados. El trabajo sugiere que las futuras arquitecturas multiagente priorizarán el diseño de memoria sobre el mero número de agentes, reduciendo potencialmente los costos de infraestructura mientras mejoran la calidad de los resultados. Para los líderes de ingeniería, esto señala la necesidad de evaluar frameworks de agentes aumentados por memoria para sistemas de IA de larga duración en lugar de simplemente escalar horizontalmente.
Un nuevo preprint explora si los sistemas multiagente LLM se benefician más de agregar agentes (escalar equipos) o de acumular experiencia a lo largo del tiempo mediante mecanismos de memoria (escalar tiempo). El framework LLMA-Mem propone un aprendizaje permanente aumentado por memoria para hacer que los agentes sean más eficientes sin aumentar linealmente el tamaño del equipo. Esto señala un cambio del escalado por fuerza bruta a arquitecturas de agentes más inteligentes impulsadas por la memoria.