Case study: 77 % ztracených entit — a pak 100% obnova

Když konverzace s LLM přeroste kontextové okno, platformy ji shrnou — a ztratí informace. Změřili jsme to na vlastním produkčním multi-agentním nasazení: standardní kompakce ztratila 77 % pojmenovaných entit (lidé, rozhodnutí, nástroje, data). Na dotaz o integraci platební brány probírané před 90 minutami agent odpověděl „nevím“.

Kompakci jsme nahradili tříúrovňovou recall architekturou nad strukturovanou pamětí: entity přežívají v plném znění a agent si na vyžádání vytáhne přesně to, co aktuální krok potřebuje.

Výsledek, změřený na více než 16 000 zprávách na dvou produkčních instancích agentů: 100% obnova dřívějších rozhodnutí (oproti 43 % bez ní), přičemž 46 MB sezení se komprimuje do 35 kB pracovního kontextu — o 99,94 % nižší tokenová zátěž. Závěr publikované práce platí: neplaťte za lepší model, plaťte za lepší paměť.

Kompletní metodika včetně rešerše 27 aktuálních prací ze západních, čínských, korejských a japonských výzkumných skupin je publikována jako otevřený článek GLG, a.s. (březen 2026) — včetně korejské a čínské edice.