RAG tidak pernah menjadi tujuan akhir. Memori dalam agen AI adalah ke mana segala sesuatu menuju. Izinkan saya menguraikan evolusi ini dengan cara yang paling sederhana. RAG (2020-2023): - Ambil info sekali, hasilkan respons - Tidak ada pengambilan keputusan, cukup ambil dan jawab - Masalah: Sering mengambil konteks yang tidak relevan RAG Agen: - Agen memutuskan *jika* pengambilan diperlukan - Agen memilih sumber *mana* yang akan dikueri - Agen memvalidasi *jika* hasil berguna - Masalah: Masih hanya-baca, tidak dapat belajar dari interaksi Memori AI: - Baca DAN tulis ke pengetahuan eksternal - Belajar dari percakapan sebelumnya - Mengingat preferensi pengguna, konteks masa lalu - Memungkinkan personalisasi sejati Model mentalnya sederhana: ↳ RAG: hanya-baca, satu tembakan ↳ RAG Agen: hanya-baca melalui panggilan alat ↳ Memori Agen: baca-tulis melalui panggilan alat Inilah yang membuat memori agen kuat: Agen sekarang dapat "mengingat" hal-hal - preferensi pengguna, percakapan sebelumnya, tanggal penting. Semua disimpan dan dapat diambil kembali untuk interaksi di masa mendatang. Ini membuka sesuatu yang lebih besar: pembelajaran berkelanjutan. Alih-alih dibekukan pada waktu pelatihan, agen sekarang dapat mengumpulkan pengetahuan dari setiap interaksi. Mereka meningkat dari waktu ke waktu tanpa pelatihan ulang. Memori adalah jembatan antara model statis dan sistem AI yang benar-benar adaptif. Tapi itu tidak semuanya berjalan mulus. Memori memperkenalkan tantangan baru yang tidak pernah dialami RAG: kerusakan memori, memutuskan apa yang harus dilupakan, dan mengelola beberapa jenis memori (prosedural, episodik, dan semantik). Memecahkan masalah ini dari awal itu sulit. Jika Anda ingin memberi agen Anda memori seperti manusia, lihat Graphiti - kerangka kerja sumber terbuka untuk membangun grafik pengetahuan waktu nyata. Anda dapat menemukan tautannya di tweet berikutnya!