Meta AI mengusulkan agen AI kedua untuk menjaga tugas panjang tetap berjalan

Dalam makalah mereka, para peneliti Meta AI menjelaskan masalah yang berulang di mana agen AI kehilangan jejak persyaratan atau mengulang tindakan yang gagal pada tugas yang panjang, sebuah fenomena yang mereka sebut 'peluruhan keadaan perilaku'. Mereka mengusulkan modul memori plug-and-play yang menjalankan 'agen memori' terpisah di samping 'agen tindakan' yang tidak berubah, mengamati langkah-langkah terbaru pada interval tetap, memperbarui bank memori terstruktur, dan memutuskan apakah akan menyuntikkan pengingat berbasis memori yang ringkas ke dalam panggilan tindakan berikutnya atau tetap diam. Bank memori dibagi menjadi status pribadi, pengetahuan, dan memori prosedural, dan agen mengelola bank melalui panggilan alat yang telah ditentukan daripada penulisan ulang bebas. Pengujian dilakukan pada Terminal-Bench 2.0 dan τ2-Bench dengan Claude Opus 4.6 sebagai agen memori. Dengan Claude Sonnet 4.5 sebagai agen tindakan, sistem menyelesaikan 46% tugas Terminal-Bench pada percobaan pertama, naik dari 38%, dan meningkatkan rata-rata tertimbang tugas τ2-Bench dari 55% menjadi 62%, dengan perbedaan domain yang mencolok: Airline dan Retail membaik sekitar 10 poin persentase masing-masing, sementara Telecom hanya membaik 3. Opus 4.6 yang lebih kuat juga membaik tetapi pada tingkat yang lebih rendah, menunjukkan bahwa manfaatnya melampaui sekadar mengkompensasi kapasitas terbatas. Ablasi menunjukkan bahwa intervensi selektif dan bank memori yang dipelihara adalah kunci, dan pendekatan ini mengungguli lapisan memori produktif Mem0. Tim juga mengeksplorasi pelatihan model terbuka, Qwen3.5-27B, sebagai agen memori, menemukan bahwa fine-tuning yang diawasi dan pembelajaran penguatan diperlukan untuk mengkalibrasi intervensi dengan benar. Meta AI menerbitkan kode di GitHub.