ರಚನಾತ್ಮಕ ನೆನಪು (Structured Memory) AI ಏಜೆಂಟ್‌ಗಳು Slay the Spire 2 ಅನ್ನು ಗೆಲ್ಲಲು ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ

ಸಂಶೋಧಕರು AgenticSTS ಎಂಬ ಹೊಸ ಏಜೆಂಟಿಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಇದು ಅತಿಯಾದ ಚಾಟ್ ಲಾಗ್‌ಗಳ ಬದಲಿಗೆ ಅತ್ಯಾಧುನಿಕ ಐದು-ಪದರಗಳ ರಚನಾತ್ಮಕ ನೆನಪಿನ ವ್ಯವಸ್ಥೆಯನ್ನು (five-layer structured memory system) ಬಳಸುವ ಮೂಲಕ ಸಾಂಪ್ರದಾಯಿಕ LLM ಏಜೆಂಟ್‌ಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. "ಬೆಳೆಯುತ್ತಿರುವ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್" (growing transcript) ಮಾದರಿಯಿಂದ ಹೊರಬರುವ ಮೂಲಕ, ಈ ವಿಧಾನವು ಟೋಕನ್ ವೆಚ್ಚವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಏಜೆಂಟ್‌ಗಳು ಹಲವಾರು ಬಾರಿ ಆಟವಾಡುವ ಮೂಲಕ ಸಂಕೀರ್ಣ ತಂತ್ರಗಳನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಬೆಳೆಯುತ್ತಿರುವ ಚಾಟ್ ಲಾಗ್‌ಗಳ ಸಮಸ್ಯೆ

ReAct ಅಥವಾ Reflexion ಫ್ರೇಮ್‌ವರ್ಕ್‌ಗಳನ್ನು ಬಳಸುವ ಹೆಚ್ಚಿನ ಪ್ರಸ್ತುತ LLM ಏಜೆಂಟ್‌ಗಳು, ಪ್ರತಿಯೊಂದು ಹಿಂದಿನ ವೀಕ್ಷಣೆ (observation), ಟೂಲ್ ಕಾಲ್ ಮತ್ತು ಸ್ವಯಂ-ಚಿಂತನೆಯನ್ನು (self-reflection) ನಿರಂತರ ಪಠ್ಯ ಲಾಗ್‌ಗೆ ಸೇರಿಸುವುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ಒಂದು ಸೆಷನ್ ಮುಂದುವರಿಯುತ್ತಿದ್ದಂತೆ, ಈ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ (context window) ವಿಸ್ತರಿಸುತ್ತಾ ಹೋಗುತ್ತದೆ, ಇದು ಅಂತಿಮವಾಗಿ ಅತಿಯಾಗಿ ತುಂಬಿಕೊಳ್ಳಬಹುದು ಅಥವಾ ಅಪ್ರಸ್ತುತ ಐತಿಹಾಸಿಕ ಡೇಟಾದಿಂದ ಮಾಡೆಲ್‌ನ ಗಮನವು ವಿಚಲಿತವಾಗಬಹುದು.

ಸಂಕೀರ್ಣವಾದ ಡೆಕ್-ಬಿಲ್ಡಿಂಗ್ ರೋಗ್-ಲೈಕ್ (deck-building roguelike) ಆಟವಾದ Slay the Spire 2 ವಿರುದ್ಧದ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಈ ಅಸಮರ್ಥತೆಯು ಎದ್ದು ಕಾಣುವಂತಿತ್ತು. ಸಾಂಪ್ರದಾಯಿಕ ಬೆಳೆಯುತ್ತಿರುವ-ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಮಾದರಿಯನ್ನು ಬಳಸುವ STS2MCP ಮತ್ತು CharTyr ನಂತಹ ಸ್ಪರ್ಧಿಗಳು, ಒಂದೇ ಮಾಡೆಲ್ ಕಾಲ್ ಸುಮಾರು 527,000 ಟೋಕನ್‌ಗಳವರೆಗೆ ಏರಿಕೆಯಾಗುವುದನ್ನು ಕಂಡವು. ಈ ಆರ್ಕಿಟೆಕ್ಚರಲ್ ದೋಷವು ಭಾರಿ ವಿಳಂಬ (latency) ಮತ್ತು ಅತಿ ಹೆಚ್ಚಿನ ಟೋಕನ್ ವೆಚ್ಚಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ; ಅಂದರೆ, ಸಮಾನ ಸ್ಕೋರ್‌ಗಳನ್ನು ಪಡೆಯಲು ಸ್ಪರ್ಧಿಗಳು AgenticSTS ಗಿಂತ 66 ರಿಂದ 90 ಪಟ್ಟು ಹೆಚ್ಚು ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದಾರೆ.

ಐದು-ಪದರಗಳ ನೆನಪಿನ ಪರಿಹಾರ

AgenticSTS ಐದು ಸಂಘಟಿತ ಮತ್ತು ಪ್ರತ್ಯೇಕ ನೆನಪಿನ ಸ್ಲಾಟ್‌ಗಳಿಂದ ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರದ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮರುನಿರ್ಮಿಸುವ ಮೂಲಕ ಕಾಂಟೆಕ್ಸ್ಟ್ ಇನ್ಫ್ಲೇಶನ್ (context inflation) ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ. ಆಟವು ಎಷ್ಟೇ ದೀರ್ಘವಾಗಿ ನಡೆದರೂ, ಪ್ರಾಂಪ್ಟ್ ಸರಳವಾಗಿರುವುದನ್ನು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ—ಇದು ಸರಾಸರಿ ಸುಮಾರು 5,000 ಟೋಕನ್‌ಗಳಷ್ಟಿರುತ್ತದೆ. ಪದರಗಳನ್ನು ಈ ಕೆಳಗಿನಂತೆ ರಚಿಸಲಾಗಿದೆ:

  • L1 (Fixed Protocol): ಏಜೆಂಟ್‌ಗಾಗಿ ಮೂಲ ಸೂಚನೆಗಳು.
  • L2 (State Schemas): ಪ್ರಸ್ತುತ ಮಾನ್ಯವಾಗಿರುವ ಕ್ರಮಗಳ (actions) ವ್ಯಾಖ್ಯಾನಗಳು.
  • L3 (Retrievable Rules): ಅಗತ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪಡೆಯಲಾಗುವ ನಿರ್ದಿಷ್ಟ ಆಟದ ನಿಯಮಗಳು.
  • L4 (Episodic Memory): ದೀರ್ಘಾವಧಿಯ ಕಾಂಟೆಕ್ಸ್ಟ್ ನೀಡಲು ಹಿಂದಿನ ರನ್‌ಗಳ ಸಾರಾಂಶಗಳು.
  • L5 (Skill Library): ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭದ ಮಾದರಿಗಳಿಂದ ಪ್ರಚೋದಿತವಾಗುವ ತಾಂತ್ರಿಕ ನಿಯಮಗಳು.

ಈ ಮಾಡ್ಯುಲಾರಿಟಿ (modularity) ಸಂಶೋಧಕರು ಯಾವ ಘಟಕವು ಕಾರ್ಯಕ್ಷಮತೆಯ ಸುಧಾರಣೆಗೆ ಕಾರಣವಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ಪತ್ತೆಹಚ್ಚಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಕೇವಲ L5 skill library ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವುದರಿಂದ, A0 ಕಠಿಣತೆಯ ಮಟ್ಟದಲ್ಲಿ ಏಜೆಂಟ್‌ನ ಗೆಲುವಿನ ದರವು 10 ಆಟಗಳಲ್ಲಿ 3 ರಿಂದ 10 ಆಟಗಳಲ್ಲಿ 6 ಕ್ಕೆ ದ್ವಿಗುಣಗೊಂಡಿತು.

ಕಲಿಕೆಯ ಮೂಲಕ ಕಠಿಣತೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದು

ರಚನಾತ್ಮಕ ವಿಧಾನದ ನಿಜವಾದ ಶಕ್ತಿಯು ಇಂಟರ್-ರನ್ ಲರ್ನಿಂಗ್ (inter-run learning) ಅಥವಾ ರನ್‌ಗಳ ನಡುವಿನ ಕಲಿಕೆಯಲ್ಲಿ ಅಡಗಿದೆ. ಸಾಮಾನ್ಯ ಏಜೆಂಟ್‌ಗಳು ಕನಿಷ್ಠ ಕಠಿಣತೆಯ ಮಟ್ಟಗಳನ್ನು ಮೀರಿ ಮುನ್ನಡೆಯಲು ಹೆಣಗಾಡುತ್ತಿದ್ದರೆ, AgenticSTS ತನ್ನ L4 ಮತ್ತು L5 ಪದರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಆಟದ ಕಠಿಣತೆಯ ಏಣಿಯನ್ನು ಏರುತ್ತದೆ. ರನ್‌ಗಳ ನಡುವೆ ಅಪ್‌ಡೇಟ್ ಆಗುವ ಸಕ್ರಿಯ ನೆನಪಿನಿಲ್ಲದೆ, ಏಜೆಂಟ್ A2 ರಿಂದ A4 ಮಟ್ಟಗಳಲ್ಲಿ ನಿಂತುಹೋಗುತ್ತದೆ; ಆದರೆ, ಸೆಷನ್‌ಗಳಾದ್ಯಂತ ಉಳಿಯುವ ನೆನಪಿನೊಂದಿಗೆ, ಅದು ಹೆಚ್ಚು ಕಠಿಣವಾದ A6 ರಿಂದ A8 ಮಟ್ಟಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ತಲುಪುತ್ತದೆ.

ಆಸಕ್ತಿದಾಯಕ ವಿಷಯವೆಂದರೆ, ಈ ನೆನಪಿನ ವ್ಯವಸ್ಥೆಯು ಮಾಡೆಲ್-ನಿರ್ದಿಷ್ಟವಾಗಿದೆ (model-specific) ಎಂದು ಸಂಶೋಧಕರು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. Gemini 3.1 Pro ನಿಂದ ಸೃಷ್ಟಿಸಲಾದ ಮೆಮೊರಿ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು Qwen 3.6-27B ಗೆ ವರ್ಗಾಯಿಸಿದಾಗ, ಎರಡನೆಯದರ ಸ್ಕೋರ್ 84.5% ರಷ್ಟು ಏರಿತು, ಆದರೆ Deepseek V4-Pro ನ ಸ್ಕೋರ್ ವಾಸ್ತವವಾಗಿ 18.1% ರಷ್ಟು ಕುಸಿಯಿತು. ಇದು ರಚನಾತ್ಮಕ ನೆನಪು ಶಕ್ತಿಯುತವಾಗಿದ್ದರೂ, ಅದರೊಳಗಿನ "ಜ್ಞಾನವು" ಅದನ್ನು ಸೃಷ್ಟಿಸಿದ ಮಾಡೆಲ್‌ನ ತರ್ಕಬದ್ಧ ಮಾದರಿಗಳಿಗೆ (reasoning patterns) ಆಳವಾಗಿ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಇದು AI ಉದ್ಯಮಕ್ಕೆ ಏಕೆ ಮುಖ್ಯ

AgenticSTS ನ ಯಶಸ್ಸು ಏಜೆಂಟಿಕ್ ವಿನ್ಯಾಸದಲ್ಲಿ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ: ಸ್ವಾಯತ್ತ AI (autonomous AI) ನ ಭವಿಷ್ಯವು ದೊಡ್ಡ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋಗಳಲ್ಲಿಲ್ಲ, ಬದಲಿಗೆ ಸ್ಮಾರ್ಟ್ ಮತ್ತು ಹೆಚ್ಚು ರಚನಾತ್ಮಕ ನೆನಪು ನಿರ್ವಹಣೆಯಲ್ಲಿ (memory management) ಇದೆ. ದೀರ್ಘಕಾಲದ ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್‌ಗಳಿಗೆ, ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚ ಮತ್ತು ವಿಳಂಬವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಜೊತೆಗೆ, ಸಂಕೀರ್ಣವಾದ, ಬಹು-ಹಂತದ ತರ್ಕವನ್ನು ಮಾಡುವ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಗಣನೀಯವಾಗಿ ಸುಧಾರಿಸುವ ನೀಲನಕ್ಷೆಯನ್ನು (blueprint) ನೀಡುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • Efficiency Gains: AgenticSTS ಸ್ಥಿರವಾದ 5,000-ಟೋಕನ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ, ಇದು ಬೆಳೆಯುತ್ತಿರುವ ಚಾಟ್ ಲಾಗ್‌ಗಳನ್ನು ಅವಲಂಬಿಸಿರುವ ಏಜೆಂಟ್‌ಗಳಿಗಿಂತ 90 ಪಟ್ಟು ಕಡಿಮೆ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ.
  • Enhanced Performance: "Skill Library" (L5) ಅನ್ನು ಬಳಸುವುದರಿಂದ ಏಜೆಂಟ್‌ನ ಗೆಲುವಿನ ದರವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸಬಹುದು ಮತ್ತು ಇಂಟರ್-ರನ್ ಲರ್ನಿಂಗ್ ಮೂಲಕ ಹೆಚ್ಚಿನ ಕಠಿಣತೆಯ ಹಂತಗಳಿಗೆ ಏರಲು ಅನುವು ಮಾಡಿಕೊಡಬಹುದು.
  • Architectural Shift: ಅಸಂಘಟಿತ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳಿಂದ ಬಹು-ಪದರಗಳ ನೆನಪಿನ ವ್ಯವಸ್ಥೆಗೆ ಬದಲಾಗುವುದು ಗಮನದ ವಿಚಲನೆ (attention dilution) ಮತ್ತು ಮಾಡೆಲ್ ವಿಳಂಬದ (latency) ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ.