Központi esettanulmány: 77% az entitások elveszítése után 100% visszaállítása

Amikor egy LLM konverzció kifogy a kontextus ablakból, a platformok összefüggést készítenek belőle – és elvesznek információt. Összegyűjtöttük ezt a saját termelésű több-agens üzemeltetésünkben: a standard összefüggés elveszítette a 77%-ot a nevezett entitásokból (személyek, döntések, eszközök, dátumok). Kérdésre, amit 90 perccel korábban egy fizetési feldolgozó integrációról kérdeztek, a szereplő válaszolt: „Nem tudom.”

A tömörítést egy háromrétegű emlékezet-keretrendszerrel helyettesítettük: az entitások teljes formában maradnak, és az agens pontosan azt hozza létre, amit a jelen lépés aktuálisan igényel, szükség szerint.

Az eredmény, mérve több mint 16 000 üzenet alapján két termelési agens példányon: 100%-os visszanyerés korábbi döntések (szemben 43%-os esetekkel), miközben egy 46 MB-os munkamenet összehúzódik 35 kB működő kontextusba — 99,94%-os csökkentés a token terhelésben. A megjelent cikk következtetése áll: ne fizess jobb modellért, fizess jobb memóriaért.

A teljes módszertan, amely tartalmazza a 27 újabb, nyugat-keleti, koreai és japán kutatócsoportok által publikált tanulmány áttekintését, nyilvános cikk formájában jelent meg a GLG, a.s. által (2026. március) – magyar és koreai kiadásokkal együtt.