Un récent preprint, LLMA-Mem, remet en question l'approche dominante consistant à étendre les systèmes multi-agents LLM en ajoutant simplement plus d'agents. Il propose plutôt un framework d'apprentissage tout au long de la vie activé par la mémoire, permettant aux agents d'accumuler et de réutiliser l'expérience au fil du temps, 'étendant le temps' plutôt que 'l'équipe'. L'article soutient que les systèmes multi-agents actuels souffrent d'inefficacité car chaque agent repart de zéro, ignorant les interactions passées. En intégrant la mémoire épisodique et sémantique, LLMA-Mem permet aux agents d'apprendre des tâches précédentes, réduisant les calculs redondants et améliorant les performances à long terme. Cela est particulièrement pertinent pour des applications comme le développement logiciel continu, la recherche autonome et les simulations de longue durée où les équipes d'agents opèrent sur des périodes prolongées. Les travaux suggèrent que les futures architectures multi-agents prioriseront la conception de la mémoire plutôt que le simple nombre d'agents, réduisant potentiellement les coûts d'infrastructure tout en améliorant la qualité des résultats. Pour les responsables techniques, cela signale la nécessité d'évaluer les frameworks d'agents augmentés par la mémoire pour les systèmes d'IA durables plutôt que de simplement scaler horizontalement.
Un nouveau preprint explore si les systèmes multi-agents LLM bénéficient davantage de l'ajout d'agents (extension d'équipe) ou de l'accumulation d'expérience au fil du temps via des mécanismes de mémoire (extension temporelle). Le framework LLMA-Mem propose un apprentissage tout au long de la vie augmenté par la mémoire pour rendre les agents plus efficaces sans augmenter linéairement la taille de l'équipe. Cela signale un passage du scaling brutal à des architectures d'agents plus intelligentes et pilotées par la mémoire.