Przypadek studia: 77% entytetów straconych — następnie 100% odzyskanych

Gdy rozmowa LLM przekracza okno kontekstu, platformy ją podsumowują — i tracą informacje. Zmierzyliśmy to w naszym własnym produkcyjnym wdrożeniu wieloagentowym: standardowa kompaktacja straciła 77% nazwanych jednostek (osoby, decyzje, narzędzia, daty). Zapytany o integrację procesora płatności omawianą 90 minut wcześniej, agent odpowiedział „Nie wiem”.

Zastąpiliśmy kompaktację trójwarstwowa architekturą odzyskiwania nad strukturą pamięci: entytetów zachowuje się w pełni, a agent odzyskuje dokładnie to, czego potrzebuje aktualna interakcja, na żądanie.

Wynik, pomierzony na ponad 16 000 wiadomościach w dwóch produkcyjnych instancjach agenta: 100% odzyskiwania poprzednich decyzji (w porównaniu do 43% bez tego), podczas gdy sesja o wielkości 46 MB kompresuje się do 35 kB kontekstu pracy — redukcja o 99,94% obciążenia tokenów. Wnioski opublikowanego artykułu pozostają niezmienne: nie płac za lepszy model, płac za lepszą pamięć.

Pełna metodyka, w tym przegląd 27 ostatnich prac z grup badawczych zachodnich, chińskich, koreańskich i japońskich, została opublikowana jako otwarta praca przez GLG, a.s. (marzec 2026) — w tym wersje koreańskie i chińskie.