Tapaustutkimus: 77 % entiteeteistä kadonnut — sitten 100 % palautettu

Kun LLM-keskustelu ylittää konteksti-ikkunan, alustat tiivistävät sen – ja menettävät tietoa. Mittasimme sen omassa tuotantoympäristössämme toimivassa moniagenttijärjestelmässä: standardi tiivistäminen menetti 77 % nimellisistä entiteeteistä (ihmiset, päätökset, työkalut, päivämäärät). Kun kysyttiin maksuliikenteen käsittelijän integraatiosta, josta oli keskusteltu 90 minuuttia aiemmin, agentti vastasi: "En tiedä".

Korvasimme tiivistämisen kolmikerroksisella muistijärjestelmällä rakenteistetun muistin päällä: entiteetit säilyvät kokonaisina, ja agentti hakee juuri sen, mitä nykyinen vuoro tarvitsee, tarpeen mukaan.

Tulos, mitattu yli 16 000 viestin yli kahdella tuotantolähettimen instanssilla: 100% edellisten päätösten palautus (verrattuna 43% ilman), samalla kun 46 MB istunto tiivistyy 35 kB työkontekstiin — 99.94% vähennys token-kuormassa. Julkaistun artikkelin johtopäätelmä pätee: älä maksa paremmasta mallista, vaan paremmasta muistista.

Täydellinen metodologia, mukaan lukien katsaus 27 viimeisimpään paperiin Länsi-, Kiina-, Korea- ja Japanin tutkimusryhmiltä, julkaistaan avoimena paperina GLG, a.s.:n toimesta (Maaliskuu 2026) — mukaan lukien korean ja kiinalaiset painokset.