9 000+

tokenów na zapytanie PRZED xMemory

~4 700

tokenów na zapytanie PO xMemory

~50% redukcji tokenów + większa dokładność

Jedyny system pamięci, który oszczędza pieniądze i czyni AI mądrzejszym

Problem: dlaczego standardowy RAG zawodzi agentów AI

Standardowy RAG został zaprojektowany dla dużych baz dokumentów o bardzo zróżnicowanej treści. Agenci AI mają do czynienia z czymś znacznie trudniejszym: ciągłym, skorelowanym strumieniem konwersacji , w którym fragmenty są prawie swoimi duplikatami.

Problem cytrusów: Użytkownik powiedział „Uwielbiam pomarańcze”, „Lubię mandarynki” i osobno omawiał, co zalicza się do cytrusów. Standardowy RAG traktuje to jako semantycznie bliskie – i pobiera 10 kopii „preferencji cytrusowych”, pomijając faktyczne kategorie potrzebne do odpowiedzi. Agent głoduje kontekstu, który już ma.

Dlaczego istniejące poprawki pogarszają sprawę

Zespoły inżynieryjne zwykle sięgają po przycinanie lub kompresję po pobraniu – odfiltrowywanie szumów po ekstrakcji. Brzmi rozsądnie. Ale to zawodzi w przypadku agentów AI, ponieważ ludzki dialog jest „czasowo splątany”:

• Koreferencje: „to” i „tamto” odnoszą się do wcześniejszego kontekstu

• Elipsa: brakujące słowa, które mają sens tylko w kontekście poprzednich zdań

• Zależności czasowe: fakty, które mają znaczenie tylko w sekwencji

Narzędzia do przycinania przypadkowo usuwają istotne fragmenty rozmowy. AI traci wątek. Odpowiedzi stają się niespójne. Zapłaciłeś za te tokeny i nic nie dostałeś.

xMemory: 4-poziomowa hierarchia pamięci

Naukowcy z King's College London i The Alan Turing Institute zbudowali xMemory – framework, który organizuje konwersację w przeszukiwalną hierarchię semantyczną, zamiast wrzucać wszystko do kontekstu.

4

Poziom tematyczny

Główne tematy i kategorie — stąd zaczyna się wyszukiwanie

3

Poziom semantyczny

Przetworzone wielokrotnego użytku fakty — wiedza podstawowa, bez powtórzeń

2

Poziom epizodu

Ciągłe, streszczone bloki rozmowy

1

Surowe wiadomości

Oryginalny strumień rozmowy

Kluczowa innowacja: Bramkowanie niepewnością

💡 Podobieństwo semantyczne to sygnał do generowania kandydatów. Niepewność to sygnał decyzyjny.

— Lin Gui, współautor, King's College London

Tradycyjne systemy wyszukują wyłącznie na podstawie podobieństwa . xMemory dodaje drugą bramkę: niepewność . Po znalezieniu kandydatów pyta: "Czy dodanie tego faktycznie zmniejsza moją niepewność co do odpowiedzi?" Jeśli nie, zatrzymuje się. Dlatego xMemory osiąga lepszą dokładność przy mniejszej liczbie tokenów.

Podobieństwo mówi Ci, co jest w pobliżu. Niepewność mówi, na co naprawdę warto wydać budżet promptu.

xMemory a alternatywy

System Struktura Nadmiarowość Dokładność Koszt Flat RAG (MemGPT) Surowe logi Wysoki Spadki Wysoki Structured RAG (A-MEM) Hierarchia/Graf Średni Umiarkowane Średni xMemory ⭐ 4 poziomy + bramka niepewności Niski Poprawia -50%

Co to oznacza dla agentów kodujących

Dla agentów AI kodujących w przepływach wielosesyjnych, xMemory ma bezpośrednie zastosowanie:

✅ Agent może utrzymywać spójną pamięć projektu przez godziny lub dni pracy bez rozdmuchiwania kontekstu

✅ Odpowiednie decyzje kodowe z wcześniejszych sesji są pobierane bez wstrzykiwania pełnej historii

✅ Mniej tokenów na zapytanie = niższe rachunki API + szybsze odpowiedzi

✅ Lepsza dokładność, ponieważ nieistotne rozmowy są strukturalnie wykluczane, a nie tylko przycinane

Przestań płacić za tokeny, których nie potrzebujesz.

Przyszłość pamięci AI to nie większe okna kontekstowe — to inteligentniejsze wyszukiwanie. xMemory dowodzi, że możesz mieć jedno i drugie: niższy koszt I lepsze odpowiedzi.

Badania: xMemory (arXiv:2602.02007) — King's College London & The Alan Turing Institute | Via VentureBeat Tagi: #xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI