Μελέτη περίπτωσης: Το 77% των οργανισμών έχασε δεδομένα – στη συνέχεια, το 100% τα ανάκτησε.

Όταν μια συνομιλία με ένα LLM υπερβεί το πλαίσιο καθορισμένο, οι πλατφόρμες τη συμπιέζουν — και χάνουν πληροφορίες. Μετρήσαμε αυτό σε μια δική μας παραγωγική εγκατάσταση πολλαπλών αντιπροσώπων: η συνήθης συμπίεση χάνει 77% των ονομαζόμενων στοιχείων (άτομα, αποφάσεις, εργαλεία, ημερομηνίες). Υποβάλλοντας ερώτηση για μια ένταξη επεξεργαστή πληρωμών που συζητήθηκε πριν από 90 λεπτά, το αντιπρόσωπο απάντησε «Δεν ξέρω».

Αντικαταστήσαμε τη συμπίεση με μια αρχιτεκτονική ανάκλησης τριών επιπέδων πάνω στην δομημένη μνήμη: οι οντότητες διατηρούνται πλήρεις, και ο πράκτορας ανακτά ακριβώς ό,τι χρειάζεται για την τρέχουσα αλληλεπίδραση, κατόπιν αιτήματος.

Το αποτέλεσμα, το οποίο μετρήθηκε σε περισσότερα από 16.000 μηνύματα σε δύο περιβάλλοντα παραγωγής, είναι το εξής: 100% ανάκτηση προηγούμενων αποφάσεων (σε σύγκριση με 43% χωρίς), ενώ μια συνεδρία 46 MB συμπιέζεται σε 35 kB λειτουργικού περιβάλλοντος – μια μείωση 99,94% στο φορτίο token. Το συμπέρασμα της δημοσιευμένης εργασίας παραμένει: μην πληρώνετε για ένα καλύτερο μοντέλο, πληρώστε για καλύτερη μνήμη.

Η πλήρης μεθοδολογία, συμπεριλαμβανομένης μιας ανασκόπησης 27 πρόσφατων άρθρων από ομάδες έρευνας από τις Δυτικές, Κινεζικές, Κορεατικές και Ιαπωνικές χώρες, δημοσιεύτηκε ως ανοιχτό άρθρο από την GLG, a.s. (Μάρτιος 2026) — συμπεριλαμβανομένων των Κορεατικών και Κινεζικών έκδοσης.