Meta AI schlägt einen zweiten KI-Agenten vor, um lange Aufgaben im Blick zu behalten

In ihrem Paper beschreiben Forscher von Meta AI ein wiederkehrendes Problem, bei dem KI-Agenten im Laufe langer Aufgaben Anforderungen aus den Augen verlieren oder fehlgeschlagene Aktionen wiederholen – ein Phänomen, das sie als „Behavioral State Decay“ bezeichnen. Sie schlagen ein Plug-and-Play-Speichermodul vor, das einen separaten „Memory-Agent“ neben einem unveränderten „Action-Agent“ betreibt, in festen Abständen die letzten Schritte beobachtet, einen strukturierten Speicherpool aktualisiert und entscheidet, ob eine prägnante, auf dem Speicher basierende Erinnerung in den nächsten Aktionsaufruf eingefügt werden soll oder ob geschwiegen wird. Der Speicherpool ist unterteilt in privaten Status, Wissen und prozedurales Gedächtnis, und der Agent verwaltet den Pool über vordefinierte Tool-Aufrufe anstatt durch freies Umschreiben. Tests wurden auf Terminal-Bench 2.0 und τ2-Bench mit Claude Opus 4.6 als Memory-Agent durchgeführt. Mit Claude Sonnet 4.5 als Action-Agent löste das System 46 Prozent der Terminal-Bench-Aufgaben beim ersten Versuch, gegenüber 38 Prozent, und verbesserte den aufgabenbezogenen Durchschnitt von τ2-Bench von 55 auf 62 Prozent, mit bemerkenswerten Domänenunterschieden: Airline und Retail verbesserten sich jeweils um etwa 10 Prozentpunkte, während Telecom nur um 3 zulegte. Der stärkere Opus 4.6 verbesserte sich ebenfalls, jedoch in geringerem Maße, was darauf hindeutet, dass der Nutzen über die Kompensation begrenzter Kapazität hinausgeht. Ablationsstudien zeigten, dass selektive Intervention und ein gepflegter Speicherpool entscheidend sind, und der Ansatz übertraf die produktive Gedächtnisschicht Mem0. Das Team untersuchte auch das Training eines offenen Modells, Qwen3.5-27B, als Memory-Agent und stellte fest, dass überwachtes Feintuning und Bestärkendes Lernen erforderlich waren, um die Interventionen richtig zu kalibrieren. Meta AI veröffentlichte den Code auf GitHub.