Studiu de caz: 77% dintre entități pierdute — apoi 100% recuperate

Când o conversație LLM depășește fereastra de context, platformele o rezumă — și pierd informații. Am măsurat acest lucru în propria noastră implementare multi-agent în producție: compactarea standard a făcut pierderea a 77% din entitățile nominale (persoane, decizii, instrumente, date). Când am întrebat despre o integrare cu un procesator de plăți discutată acum 90 de minute, agentul a răspuns "Nu știu".

Am înlocuit compactarea cu o arhitectură de recuperare în trei straturi peste memoria structurată: entitățile supraviețuiesc în întregime, iar agentul recuperează exact ceea ce este necesar în turul curent, la cerere.

Rezultatul, măsurat pe mai mult de 16.000 de mesaje pe două instanțe de agenți de producție: recuperare de 100% a deciziilor anterioare (față de 43% fără), în timp ce o sesiune de 46 MB se comprime în 35 kB de context de lucru — o reducere de 99,94% a sarcinii de token. Concluzia articolului publicat rămâne valabilă: nu plătiți pentru un model mai bun, plătiți pentru o memorie mai bună.

Metodologia completă, incluzând o revizuire a 27 de articole recente de la grupuri de cercetare occidentale, chineze, coreene și japoneze, este publicată ca un articol open de către GLG, a.s. (Martie 2026) — incluzând edițiile coreeană și chineză.