Manajemen Memori Otonom di Agen LLM Agen LLM berjuang dengan tugas jangka panjang karena pembengkakan konteks. Seiring berkembangnya riwayat interaksi, biaya komputasi meledak, latensi meningkat, dan penalaran menurun dari gangguan oleh kesalahan masa lalu yang tidak relevan. Pendekatan standar hanya lampiran: setiap pikiran, panggilan alat, dan respons terakumulasi secara permanen. Ini berfungsi untuk tugas singkat tetapi menjamin kegagalan untuk eksplorasi yang kompleks. Penelitian ini memperkenalkan Focus, arsitektur yang berpusat pada agen yang terinspirasi oleh jamur lendir (Physarum polycephalum). Wawasan biologis: organisme tidak menyimpan catatan sempurna dari setiap gerakan melalui labirin. Mereka mempertahankan peta yang dipelajari. Fokus memberi agen dua primitif baru: start_focus dan complete_focus. Agen secara mandiri memutuskan kapan harus mengkonsolidasikan pembelajaran ke dalam blok Pengetahuan yang persisten dan secara aktif memangkas riwayat interaksi mentah. Tidak ada pengatur waktu eksternal atau heuristik yang memaksa kompresi. Ini menyatakan apa yang Anda selidiki, mengeksplorasi menggunakan alat standar, dan kemudian mengkonsolidasikan dengan meringkas apa yang dicoba, apa yang dipelajari, dan hasilnya. Sistem menambahkan ini ke blok Pengetahuan persisten dan menghapus semua yang ada di antara pos pemeriksaan dan langkah saat ini. Ini mengubah konteks yang meningkat secara monoton menjadi pola gigi gergaji: pertumbuhan selama eksplorasi, keruntuhan selama konsolidasi. Evaluasi pada SWE-bench Lite dengan Claude Haiku 4.5 menunjukkan Focus mencapai pengurangan token 22,7% (14,9 juta hingga 11,5 juta token) sambil mempertahankan akurasi yang identik (60% untuk baseline dan Focus). Contoh individu menunjukkan penghematan hingga 57%. Dorongan agresif itu penting. Prompting pasif hanya menghasilkan penghematan 6%. Instruksi eksplisit untuk mengompres setiap 10-15 panggilan alat, dengan pengingat sistem, meningkatkan kompresi dari 2.0 menjadi 6.0 per tugas. Model yang mumpuni dapat secara mandiri mengatur konteks mereka secara mandiri ketika diberi alat dan dorongan yang sesuai, membuka jalur untuk sistem agen sadar biaya tanpa mengorbankan kinerja tugas. Kertas: Pelajari cara membangun agen AI yang efektif di akademi kami: