Case study: 77% dari entitas hilang — lalu 100% dipulihkan

Ketika percakapan LLM melebihi jendela konteks, platform merangkumnya — dan kehilangan informasi. Kami mengukur hal ini dalam implementasi multi-agent kami sendiri di produksi: kompaksi standar kehilangan 77% entitas bernama (orang, keputusan, alat, tanggal). Ditemukan pertanyaan tentang integrasi pengolah pembayaran yang dibicarakan 90 menit sebelumnya, agen menjawab "Saya tidak tahu".

Kami mengganti kompakasi dengan arsitektur recall tiga lapisan atas memori terstruktur: entitas bertahan utuh, dan agen mengambil tepat apa yang dibutuhkan pada putaran saat ini, secara on-demand.

Hasilnya, diukur melalui lebih dari 16.000 pesan pada dua instance agen produksi: 100% pemulihan keputusan sebelumnya (dibandingkan 43% tanpa), sementara sesi sebesar 46 MB dikompresi menjadi 35 kB konteks kerja — pengurangan 99,94% beban token. Kesimpulan dari karya ilmiah yang dipublikasikan tetap berlaku: jangan bayar untuk model yang lebih baik, bayar untuk memori yang lebih baik.

Metodologi lengkap, termasuk tinjauan terhadap 27 karya akhir dari kelompok penelitian dari Barat, Tiongkok, Korea, dan Jepang, dipublikasikan sebagai kertas terbuka oleh GLG, a.s. (Maret 2026) — termasuk edisi Korea dan Tiongkok.