Un nouvel article de recherche de l'Université Tongji, du Shanghai AI Lab, de la CUHK, de l'Université de Nanjing et de la SJTU propose LatentMem, un framework de mémoire latente apprenable conçu pour les systèmes multi-agents (MAS). Les auteurs identifient deux goulots d'étranglement persistants dans les conceptions de mémoire MAS actuelles : l'homogénéité de la mémoire, où les agents manquent de personnalisation par rôle, et la surcharge d'informations, où les entrées de mémoire deviennent trop fragmentées et verbeuses. LatentMem répond à ces problèmes en introduisant un espace latent apprenable qui compresse et organise la mémoire plus efficacement. Pour les développeurs et chercheurs travaillant sur les architectures multi-agents, ce travail offre une direction prometteuse pour améliorer l'évolutivité de la mémoire et la spécialisation des agents.
LatentMem, une collaboration entre Tongji, Shanghai AI Lab, CUHK, Nanjing University et SJTU, introduit un framework de mémoire latente apprenable pour les systèmes multi-agents. Il cible deux goulots d'étranglement clés : l'homogénéité de la mémoire (manque de personnalisation par rôle) et la surcharge d'informations due aux entrées de mémoire fragmentées. Ce signal est pertinent pour les développeurs créant des systèmes d'agents évolutifs nécessitant une gestion de mémoire efficace et spécifique au rôle.