กรณีศึกษา: 77% ขององค์กรสูญเสีย — จากนั้นกู้คืนได้ 100%

เมื่อการสนทนาของโมเดล LLM ยาวเกินขนาดของบริบท (context window) แพลตฟอร์มจะสรุปเนื้อหา — และสูญเสียข้อมูลไป ทีมงานของเราได้วัดผลในระบบการใช้งานจริงแบบหลายเอเจนต์ (multi-agent deployment): การบีบอัดมาตรฐานสูญเสียไป 77% ของตัวบ่งชี้ที่มีชื่อ (named entities) เช่น คน ข้อตัดสินใจ เครื่องมือ วันที่ ถูกถามถึงการผสานระบบผู้ให้บริการชำระเงินที่พูดถึงมาก่อน 90 นาที เอเจนต์ตอบว่า "ฉันไม่รู้"

เราได้เปลี่ยนจากการอัดแน่น (compaction) เป็นสถาปัตยกรรมการเรียกคืนแบบสามชั้นบนความจำที่มีโครงสร้าง: ตัวแทน (entities) ยังคงอยู่ครบถ้วน และเอเจนต์จะเรียกคืนเฉพาะสิ่งที่จำเป็นสำหรับการสนทนาในรอบปัจจุบันตามความต้องการ

ผลลัพธ์ที่วัดจากข้อความมากกว่า 16,000 ข้อความบนระบบตัวแทน (agent) ที่ใช้งานจริงสองระบบ พบว่าสามารถกู้คืนข้อมูลการตัดสินใจก่อนหน้าได้ 100% (เมื่อเทียบกับ 43% ที่ไม่ใช้ระบบนี้) ในขณะที่ข้อมูลเซสชันขนาด 46 MB ถูกบีบอัดให้เหลือเพียง 35 kB ซึ่งเป็นการลดขนาดข้อมูลที่ใช้ลงถึง 99.94% สรุปได้ว่าจากผลการวิจัยที่ตีพิมพ์: อย่าเสียเงินไปกับโมเดลที่ดีกว่า แต่จงลงทุนในระบบหน่วยความจำที่ดีกว่าต่างหาก

วิธีการทั้งหมด รวมถึงการทบทวนบทความ 27 ชิ้นล่าสุดจากกลุ่มวิจัยในตะวันตก จีน เกาหลี และญี่ปุ่น ได้รับการเผยแพร่เป็นบทความเปิด (open paper) โดย GLG, a.s. (มีนาคม 2026) — รวมถึงฉบับภาษาเกาหลีและจีน