9 000+

токенів на запит ДО xMemory

~4 700

токенів на запит ПІСЛЯ xMemory

~50% зменшення токенів + підвищена точність

Єдина система пам'яті, яка економить кошти та робить AI розумнішим

Проблема: чому стандартний RAG не працює для AI-агентів

Стандартний RAG розроблений для великих баз документів із дуже різноманітним вмістом. AI-агенти стикаються з набагато складнішим завданням: безперервним, корельованим потоком розмов , де фрагменти майже дублюють один одного.

Проблема цитрусових: Користувач сказав "Я люблю апельсини", "Мені подобаються мандарини" і окремо обговорював, що вважається цитрусовими. Стандартний RAG сприймає все як семантично близьке — і отримує 10 копій "уподобання щодо цитрусових", пропускаючи фактичні категорії, необхідні для відповіді на запит. Агент голодує через контекст, який у нього вже є.

Чому існуючі виправлення лише погіршують ситуацію

Інженерні команди зазвичай вдаються до пост-вибіркового прунінгу або стиснення — фільтрації шуму після отримання. Звучить логічно. Але це не працює для AI-агентів, оскільки людський діалог є "темпорально заплутаним":

• Ко-референції: "це" і "те" посилаються на попередній контекст

• Еліпсис: пропущені слова, що мають сенс лише в контексті попередніх речень

• Часові залежності: факти, що мають значення лише в послідовності

Інструменти прунінгу випадково видаляють важливі фрагменти розмови. AI втрачає нитку. Відповіді стають безладними. Ви заплатили за ці токени й нічого не отримали.

xMemory: 4-рівнева ієрархія пам'яті

Дослідники з King's College London та The Alan Turing Institute створили xMemory — фреймворк, який організовує розмову в пошукову семантичну ієрархію замість того, щоб скидати все в контекст.

4

Рівень теми

Високорівневі теми та категорії — пошук починається тут

3

Семантичний рівень

Дистильовані багаторазові факти — основні знання, без повторів

2

Рівень епізоду

Зв'язні підсумкові блоки розмови

1

Сировинні повідомлення

Оригінальний потік розмови

Ключова інновація: гейтинг невизначеності

💡 Семантична подібність — це сигнал генерації кандидатів. Невизначеність — це сигнал прийняття рішень.

— Лін Гуй, співавтор, Королівський коледж Лондона

Традиційні системи здійснюють пошук лише на основі подібності . xMemory додає другий фільтр: невизначеність . Після знаходження кандидатів він запитує: „Чи дійсно додавання цього зменшує мою невизначеність щодо відповіді?“ Якщо ні — зупиняється. Саме тому xMemory досягає кращої точності з меншою кількістю токенів.

Подібність показує, що поруч. Невизначеність вказує, на що дійсно варто витратити бюджет промпту.

xMemory vs. альтернативи

Система Структура Надлишковість Точність Вартість Flat RAG (MemGPT) Сирі логи Високий Падіння Високий Structured RAG (A-MEM) Ієрархія/Граф Середній Помірні Середній xMemory ⭐ 4-рівневий + Воротар невизначеності Низький Покращує -50%

Що це означає для кодових агентів

Для ШІ-агентів, які працюють у багатосесійних робочих процесах, xMemory безпосередньо застосовний:

✅ Агент може підтримувати зв'язну пам'ять про проект протягом годин або днів роботи без роздування контексту

✅ Релевантні рішення щодо коду з попередніх сесій витягуються без повторного введення повної історії

✅ Менше токенів на запит = нижчі рахунки API + швидші відповіді

✅ Краща точність, оскільки нерелевантна розмова структурно виключається, а не просто скорочується

Перестаньте платити за токени, які вам не потрібні.

Майбутнє ШІ-пам'яті — не більші вікна контексту, а розумніше отримання даних. xMemory доводить, що можна мати і те, і інше: менші витрати І кращі відповіді.

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