Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents
Aggiunta all'archivio di AIChronos il (numero del 24 settembre 2026 ricostruito)· fonte del · Yefan Zhou, Yang Li, Zeyu Leo Liu, Semih Yavuz, Shafiq Joty (Salesforce AI Research)
La maggior parte dei sistemi di memoria per agenti attuali curano i dati al momento della scrittura (write-time), creando riassunti fissi indipendenti dalle query future. Questo approccio porta a una perdita irreversibile di informazioni e difficoltà nell'assegnazione del credito su orizzonti lunghi. Il paper propone Just-in-Time Memory (JitMem), che invece mantiene le traiettorie grezze e deferisce la curatela al momento della lettura (read-time) quando il compito è noto. Un curator sintetizza così un payload compatto e adattivo alle esigenze immediate, permettendo l'addestramento diretto dal successo del task senza segnali di utilità ritardati.
- JitMem differisce dai metodi esistenti deferendo la curatela della memoria fino al momento in cui una query specifica è nota (read-time).
- Il sistema evita il problema dell'assegnazione del credito a lungo termine, poiché l'utilità di un dato diventa evidente solo quando arriva una richiesta rilevante.
- Su benchmark come ALFWorld e WebShop, JitMem supera le baseline esistenti con miglioramenti assoluti fino al 16.3 punti percentuale nel tasso di successo.
- Anche senza addestramento specifico (untrained curator), il metodo mostra prestazioni competitive o superiori rispetto alle tecniche basate su euristica.
- L'approccio permette all'agente di sintetizzare payload compatti e task-adaptive direttamente dalle traiettorie grezze recuperate.
Perché conta. Per gli sviluppatori che costruiscono agenti AI locali, JitMem risolve il collo di bottiglia della memoria statica offrendo un modo per curare dinamicamente le informazioni in base al contesto specifico del task corrente. Questo è cruciale per migliorare l'efficienza e la precisione degli agenti senza dover memorizzare artefatti fissi che potrebbero non essere rilevanti.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.