സ്ട്രക്ചേർഡ് മെമ്മറി (Structured Memory) എങ്ങനെ AI ഏജന്റുകളെ Slay the Spire 2 കീഴടക്കാൻ സഹായിക്കുന്നു

ഗവേഷകർ AgenticSTS എന്ന പുതിയൊരു ഏജന്റിക് ആർക്കിടെക്ചർ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. അമിതമായി വളരുന്ന ചാറ്റ് ലോഗുകൾക്ക് (chat logs) പകരം അഞ്ച് പാളികളുള്ള (five-layer) സങ്കീർണ്ണമായ ഒരു സ്ട്രക്ചേർഡ് മെമ്മറി സിസ്റ്റം ഉപയോഗിക്കുന്നതിലൂടെ ഇത് പരമ്പരാഗത LLM ഏജന്റുകളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നു. "വളർന്നുകൊണ്ടിരിക്കുന്ന ട്രാൻസ്ക്രിപ്റ്റ്" (growing transcript) എന്ന രീതിയിൽ നിന്ന് മാറി, ഈ സമീപനം ടോക്കൺ ചിലവ് ഗണ്യമായി കുറയ്ക്കുന്നതോടൊപ്പം തന്നെ, ഒന്നിലധികം തവണ കളിക്കുന്നതിലൂടെ സങ്കീർണ്ണമായ തന്ത്രങ്ങൾ പഠിക്കാൻ ഏജന്റുകളെ പ്രാപ്തരാക്കുകയും ചെയ്യുന്നു.

വളർന്നുകൊണ്ടിരിക്കുന്ന ചാറ്റ് ലോഗുകളിലെ പ്രശ്നങ്ങൾ

ReAct അല്ലെങ്കിൽ Reflexion ഫ്രെയിംവർക്കുകൾ ഉപയോഗിക്കുന്ന മിക്ക നിലവിലെ LLM ഏജന്റുകളും, കഴിഞ്ഞകാലത്തെ എല്ലാ നിരീക്ഷണങ്ങളും (observations), ടൂൾ കോളുകളും (tool calls), സ്വയം വിലയിരുത്തലുകളും (self-reflections) ഒരു തുടർച്ചയായ ടെക്സ്റ്റ് ലോഗിലേക്ക് ചേർക്കുന്നതിനെയാണ് ആശ്രയിക്കുന്നത്. ഒരു സെഷൻ മുന്നോട്ട് പോകുന്തോറും, ഈ കോൺടെക്സ്റ്റ് വിൻഡോ (context window) വികസിച്ചുകൊണ്ടിരിക്കും; ഇത് ഒടുവിൽ പരിധി കവിഞ്ഞോ (overflow) അല്ലെങ്കിൽ അപ്രസക്തമായ ചരിത്രപരമായ ഡാറ്റ കാരണം മോഡലിന്റെ ശ്രദ്ധ (attention) കുറഞ്ഞോ അവസാനിക്കുന്നു.

സങ്കീർണ്ണമായ ഡെക്ക്-ബിൽഡിംഗ് റോഗുലൈക്ക് (deck-building roguelike) ഗെയിമായ Slay the Spire 2-ൽ നടത്തിയ പരീക്ഷണത്തിൽ, ഈ കാര്യക്ഷമതയില്ലായ്മ വ്യക്തമായി കാണാൻ കഴിഞ്ഞു. പരമ്പരാഗതമായ വളർന്നുകൊണ്ടിരിക്കുന്ന ട്രാൻസ്ക്രിപ്റ്റ് രീതി ഉപയോഗിക്കുന്ന STS2MCP, CharTyr തുടങ്ങിയ എതിരാളികളിൽ, ഓരോ സിംഗിൾ മോഡൽ കോളും ഏകദേശം 527,000 ടോക്കണുകളായി വർദ്ധിച്ചു. ഈ ആർക്കിടെക്ചറൽ പിഴവ് വലിയ തോതിലുള്ള ലേറ്റൻസിക്കും (latency) അമിതമായ ടോക്കൺ ചിലവിനും കാരണമാകുന്നു. സമാനമായ സ്കോറുകൾ നേടുന്നതിന് എതിരാളികൾ AgenticSTS-നേക്കാൾ 66 മുതൽ 90 ഇരട്ടി വരെ കൂടുതൽ ടോക്കണുകൾ ഉപയോഗിക്കുന്നുണ്ട്.

അഞ്ച് പാളികളുള്ള മെമ്മറി പരിഹാരം

അഞ്ച് സംഘടിതമായ മെമ്മറി സ്ലോട്ടുകളിൽ (memory slots) നിന്ന് ഓരോ തീരുമാനവും (decision prompt) പുനർനിർമ്മിക്കുന്നതിലൂടെ AgenticSTS കോൺടെക്സ്റ്റ് ഇൻഫ്ലേഷൻ (context inflation) പ്രശ്നം പരിഹരിക്കുന്നു. ഗെയിം എത്ര സമയം നീണ്ടുനിന്നാലും പ്രോംപ്റ്റ് ലളിതമായിരിക്കുമെന്ന് (ശരാശരി 5,000 ടോക്കണുകൾ) ഇത് ഉറപ്പാക്കുന്നു. പാളികൾ താഴെ പറയുന്ന രീതിയിലാണ് ക്രമീകരിച്ചിരിക്കുന്നത്:

• L1 (Fixed Protocol): ഏജന്റിനായുള്ള പ്രധാന നിർദ്ദേശങ്ങൾ.
• L2 (State Schemas): നിലവിൽ സാധ്യമായ പ്രവർത്തനങ്ങളുടെ നിർവചനങ്ങൾ.
• L3 (Retrievable Rules): ആവശ്യാനുസരണം എടുക്കാവുന്ന പ്രത്യേക ഗെയിം നിയമങ്ങൾ.
• L4 (Episodic Memory): ദീർഘകാല കോൺടെക്സ്റ്റ് നൽകുന്നതിനായി മുൻപത്തെ കളികളുടെ സംഗ്രഹങ്ങൾ.
• L5 (Skill Library): പ്രത്യേക സാഹചര്യങ്ങൾക്കനുസരിച്ച് പ്രവർത്തിക്കുന്ന തന്ത്രപരമായ നിയമങ്ങൾ.

ഈ മോഡുലാരിറ്റി (modularity) വഴി ഏത് ഘടകമാണ് പ്രകടന മെച്ചപ്പെടുത്തുന്നതെന്ന് കൃത്യമായി കണ്ടെത്താൻ ഗവേഷകർക്ക് സാധിക്കുന്നു. ഉദാഹരണത്തിന്, L5 സ്കിൽ ലൈബ്രറി മാത്രം ഉപയോഗിച്ചപ്പോൾ, A0 ഡിഫിക്കൽറ്റി ലെവലിൽ ഏജന്റിന്റെ വിജയശതമാനം 10 കളികളിൽ 3 എന്നതിൽ നിന്ന് 6 ആയി ഇരട്ടിയായി വർദ്ധിച്ചു.

പഠനത്തിലൂടെ പ്രയാസകരമായ ഘട്ടങ്ങളിലേക്ക് ഉയരുക

സ്ട്രക്ചേർഡ് സമീപനത്തിന്റെ യഥാർത്ഥ കരുത്ത് ഓരോ റണ്ണിലുമുള്ള പഠനത്തിലാണ് (inter-run learning). സാധാരണ ഏജന്റുകൾ ഏറ്റവും കുറഞ്ഞ ഡിഫിക്കൽറ്റി ലെവലുകൾക്ക് അപ്പുറത്തേക്ക് പോകാൻ ബുദ്ധിമുട്ടുന്നപ്പോൾ, AgenticSTS അതിന്റെ L4, L5 പാളികൾ ഉപയോഗിച്ച് ഗെയിമിന്റെ പ്രയാസകരമായ ഘട്ടങ്ങളിലേക്ക് ഉയരുന്നു. ഓരോ റണ്ണിനിടയിലും അപ്‌ഡേറ്റ് ചെയ്യപ്പെടുന്ന മെമ്മറി ഇല്ലെങ്കിൽ, ഏജന്റ് A2 മുതൽ A4 വരെയുള്ള ലെവലുകളിൽ തടയപ്പെടും; എന്നാൽ സെഷനുകൾക്കിടയിൽ നിലനിൽക്കുന്ന മെമ്മറി ഉണ്ടെങ്കിൽ, അത് വളരെ പ്രയാസകരമായ A6 മുതൽ A8 വരെയുള്ള ലെവലുകളിൽ വിജയകരമായി എത്തുന്നു.

രസകരമായ ഒരു കാര്യം, ഈ മെമ്മറി ഓരോ മോഡലിനും വ്യത്യസ്തമാണെന്ന് ഗവേഷകർ കണ്ടെത്തി. Gemini 3.1 Pro നിർമ്മിച്ച ഒരു മെമ്മറി സ്റ്റാക്ക് Qwen 3.6-27B-ലേക്ക് മാറ്റിയപ്പോൾ, രണ്ടാമത്തെ മോഡലിന്റെ സ്കോർ 84.5% വർദ്ധിച്ചു, എന്നാൽ Deepseek V4-Pro-യുടെ സ്കോർ 18.1% കുറഞ്ഞു. സ്ട്രക്ചേർഡ് മെമ്മറി ശക്തമാണെങ്കിലും, അതിനുള്ളിലെ "അറിവ്" അത് നിർമ്മിച്ച മോഡലിന്റെ റീസണിംഗ് പാറ്റേണുകളുമായി (reasoning patterns) ആഴത്തിൽ ബന്ധപ്പെട്ടിരിക്കുന്നു എന്നാണ് ഇത് സൂചിപ്പിക്കുന്നത്.

എന്തുകൊണ്ട് ഇത് AI വ്യവസായത്തിന് പ്രധാനമാണ്

AgenticSTS-ന്റെ വിജയം ഏജന്റിക് ഡിസൈനിലെ ഒരു മാറ്റത്തെ സൂചിപ്പിക്കുന്നു: സ്വയം പ്രവർത്തിക്കുന്ന AI-യുടെ ഭാവി എന്നത് വലിയ കോൺടെക്സ്റ്റ് വിൻഡോകളിലല്ല, മറിച്ച് കൂടുതൽ സ്മാർട്ടും സ്ട്രക്ചേർഡ് ആയതുമായ മെമ്മറി മാനേജ്‌മെന്റിലാണ്. ദീർഘകാലം പ്രവർത്തിക്കുന്ന ഏജന്റുകളെ നിർമ്മിക്കുന്ന ഡെവലപ്പർമാർക്ക്, പ്രവർത്തനച്ചെലവും ലേറ്റൻസും കുറയ്ക്കുന്നതിനും സങ്കീർണ്ണമായ മൾട്ടി-സ്റ്റെപ്പ് റീസണിംഗ് (multi-step reasoning) ചെയ്യാനുള്ള മോഡലിന്റെ കഴിവ് വർദ്ധിപ്പിക്കുന്നതിനും ഈ ആർക്കിടെക്ചർ ഒരു ബ്ലൂപ്രിന്റ് നൽകുന്നു.

പ്രധാന കാര്യങ്ങൾ

• Efficiency Gains: വളർന്നുകൊണ്ടിരിക്കുന്ന ചാറ്റ് ലോഗുകളെ ആശ്രയിക്കുന്ന ഏജന്റുകളേക്കാൾ 90 ഇരട്ടി വരെ കുറഞ്ഞ ടോക്കണുകൾ ഉപയോഗിച്ചുകൊണ്ട് AgenticSTS 5,000 ടോക്കണുകളിൽ ഒതുങ്ങുന്ന ഒരു പ്രോംപ്റ്റ് നിലനിർത്തുന്നു.
• Enhanced Performance: ഒരു "Skill Library" (L5) ഉപയോഗിക്കുന്നത് ഏജന്റിന്റെ വിജയശതമാനം ഇരട്ടിയാക്കാനും പഠനത്തിലൂടെ ഉയർന്ന ഡിഫിക്കൽറ്റി ലെവലുകളിലേക്ക് എത്താനും സഹായിക്കുന്നു.
• Architectural Shift: അൺസ്ട്രക്ചേർഡ് ട്രാൻസ്ക്രിപ്റ്റുകളിൽ നിന്ന് മൾട്ടി-ലെയർ മെമ്മറിയിലേക്കുള്ള മാറ്റം, ശ്രദ്ധ കുറയുന്നതും (attention dilution) മോഡൽ ലേറ്റൻസി കൂടുന്നതും പോലുള്ള പ്രശ്നങ്ങൾക്ക് പരിഹാരം കാണുന്നു.