Case study: 77% af enheder tabt — derefter 100% genvundet

Når en LLM-samtale overskrider kontekstvinduet, opsummerer platformene den — og mister information. Vi målte det i vores egen produktionsmulti-agent-udrulning: standard komprimering mistede 77% af navngivne enheder (personer, beslutninger, værktøjer, datoer). Da vi spurgte om en betalingsbehandlerintegration, der blev diskuteret for 90 minutter siden, svarede agenten: "Jeg ved det ikke".

Vi erstattede komprimering med en trelags genkaldelsesarkitektur over struktureret hukommelse: enheder overlever i fuld form, og agenten henter præcis det, den aktuelle tur har brug for, efter behov.

Resultatet, målt på over 16.000 beskeder på to produktionsagent-instanser: 100% genopretning af tidligere beslutninger (sammenlignet med 43% uden), mens en session på 46 MB komprimeres til 35 kB arbejds-kontekst – en 99,94% reduktion i token-belastningen. Konklusionen fra den publicerede artikel holder stik: betal ikke for en bedre model, betal for bedre hukommelse.

Den fulde metodologi, inklusive en gennemgang af 27 nylige papers fra vestlige, kinesiske, koreanske og japanske forskningsgrupper, udgives som et åbent paper af GLG, a.s. (March 2026) — inklusive koreanske og kinesiske udgaver.