9 000+

токенов на запрос ДО xMemory

~4 700

токенов на запрос ПОСЛЕ xMemory

~50% сокращения токенов + повышенная точность

Единственная система памяти, которая экономит деньги И делает ИИ умнее

Проблема: почему стандартный RAG не подходит для AI-агентов

Стандартный RAG создавался для больших баз документов с разнородным содержимым. AI-агенты сталкиваются с гораздо более сложной задачей: непрерывным, связанным потоком диалога , где фрагменты почти дублируют друг друга.

Проблема цитрусовых: Пользователь сказал «Я люблю апельсины», «Мне нравятся мандарины» и отдельно обсудил, что считается цитрусами. Стандартный RAG считает всё семантически близким — и извлекает 10 копий «предпочтения цитрусовых», упуская фактические категории, необходимые для ответа на запрос. Агент голодает по контексту, который у него уже есть.

Почему существующие исправления делают только хуже

Инженерные команды обычно прибегают к пост-извлекательной обрезке или сжатию — фильтрации шума после поиска. Звучит разумно. Но это не работает для AI-агентов, потому что человеческий диалог «временно переплетён»:

• Кореференции: «оно» и «это» ссылаются на предыдущий контекст

• Эллипсис: пропущенные слова, имеющие смысл только в контексте предыдущих предложений

• Временные зависимости: факты, важные только в последовательности

Инструменты обрезки случайно удаляют жизненно важные фрагменты диалога. ИИ теряет нить. Ответы становятся бессвязными. Вы заплатили за эти токены и ничего не получили.

xMemory: 4-уровневая иерархия памяти

Исследователи из Королевского колледжа Лондона и Института Алана Тьюринга создали xMemory — фреймворк, который организует диалог в поисковую семантическую иерархию вместо того, чтобы сбрасывать всё в контекст.

4

Уровень тем

Общие темы и категории — поиск начинается здесь

3

Семантический уровень

Извлечённые повторно используемые факты — ключевые знания, без повторов

2

Уровень эпизодов

Связные суммаризированные блоки разговора

1

Исходные сообщения

Оригинальный поток диалога

Ключевое нововведение: гейтинг по неопределённости

💡 Семантическое сходство — это сигнал для генерации кандидатов. Неопределённость — это сигнал для принятия решения.

— Линь Гуй, соавтор, Королевский колледж Лондона

Традиционные системы ищут только на основе сходства . xMemory добавляет второй барьер: неопределённость . Найдя кандидатов, он спрашивает: «Действительно ли добавление этого снижает мою неопределённость в ответе?» Если нет — поиск прекращается. Именно поэтому xMemory достигает лучшей точности при меньшем количестве токенов.

Сходство показывает, что находится рядом. Неопределённость показывает, что на самом деле стоит потраченного бюджета промпта.

xMemory vs Альтернативы

Система Структура Избыточность Точность Стоимость Flat RAG (MemGPT) Сырые логи Высокая Падения Высокая Structured RAG (A-MEM) Иерархия/Граф Средняя Умеренные Средняя xMemory ⭐ 4 уровня + шлюз неопределённости Низкая Улучшает -50%

Что это значит для кодирующих агентов

Для AI-агентов, работающих в многосеансовых сценариях, xMemory применима напрямую:

✅ Агент может поддерживать связную память о проекте на протяжении часов или дней работы без раздувания контекста

✅ Релевантные решения из предыдущих сессий извлекаются без повторной инъекции всей истории

✅ Меньше токенов на запрос = меньше затрат на API + более быстрые ответы

✅ Лучшая точность, так как нерелевантные разговоры структурно исключаются, а не просто обрезаются

Перестаньте платить за ненужные токены.

Будущее AI-памяти — не в увеличении контекстных окон, а в более умном поиске. xMemory доказывает, что можно получить и меньшую стоимость, и лучшие ответы.

Исследование: xMemory (arXiv:2602.02007) — King's College London и The Alan Turing Institute | Источник: VentureBeat Теги: #xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI