Būsto atvejis: 77% įmonių patyrė nuostolių – vėliau visos (100%) atgavė savo turtą.

Kai LLM pokalbis viršija konteksto langą, platformos jį santraukia – ir praranda informaciją. Mes išmatavome tai savo gamybos daugiklių agentų įdiegime: standartinė kompaktacija prarado 77% vardinių entitetų (žmonių, sprendimų, įrankių, datų). Paklausę apie mokėjimo apdorojimo integraciją, kurią aptarė 90 minutes anksčiau, agentas atsakė „Aš nežinau“.

Pakeitėme kompaktavimą trijų sluoksnių atminties architektūra: entitetai išlieka pilnai, ir agentas gali pasiimti tik tai, ko reikia šiuo klausimu, pagal poreikį.

Rezultatas, išmatuotas daugiau nei 16 000 žinutėse dviejuose gamybiniais agentų instancijose: 100% atkūrimas anksčiau priimtų sprendimų (palyginti su 43% be to), o 46 MB sesijos suspaudžiama į 35 kB veiklos konteksto – 99.94% sumažinimas tokenų apkrovai. Publikuoto straipsnio išvada lieka tokia: nedarykite išlaidų už geresnį modelį, mokėkite už geresnę atmintį.

Visą metodologiją, įskaitant 27 naujų mokslinių straipsnių apžvalgą iš Vakarų, Kinijos, Korėjos ir Japonijos mokslinių grupių, GLG, a.s. paskelbė kaip atvirą publikaciją (kovas 2026 m.) – įskaitant korėjiečių ir kinų kalbos versijas.