Bagaimana ActionRAG Meninjau Ulang Bukti saat Berdifusi melalui Graf Memori Agen LLM
Arsitektur memori graf diusulkan untuk menyelaraskan entitas secara cermat pada tahap pengindeksan, lalu menilai ulang hubungan berdasarkan struktur lokal saat menerima kueri. Di MemoryAgentBench, metode ini mencapai akurasi rata-rata 55,1 dan peningkatan 5,4 poin persentase dibandingkan baseline retrieval terkuat, dengan biaya sintesis per kueri yang tetap rendah.
Di mana memori agen mengalami kegagalan
Penulis mengidentifikasi dua jenis kegagalan memori. Yang pertama terkait pengindeksan. Yang kedua terjadi saat pengambilan informasi secara online.
- Kesalahan pengindeksan dapat memisahkan entitas yang berulang.
- Kesalahan yang sama juga dapat menggabungkan entitas yang berbeda.
- Pengambilan informasi secara online dapat menganggap skor kemiripan awal sebagai hasil akhir.
- Graf di sekitarnya dapat memberikan alasan untuk meninjau kembali skor tersebut.
Kriteria praktis: kemampuan memori meninjau kembali skor awal pada tahap kueri.
Pengindeksan: penyelarasan tipe dan resolusi entitas
Pipeline pengindeksan di ActionRAG menjalankan dua langkah.
- Menyelaraskan label tipe.
- Menerapkan resolusi entitas bertingkat.
Langkah-langkah ini merupakan bagian dari pengindeksan yang cermat. Kesalahan pengindeksan tetap menjadi risiko tersendiri. Kriteria praktis: adanya penyelarasan tipe dan resolusi entitas bertingkat.
Pengambilan saat kueri: dua kanal dan graf lokal
Untuk kueri, ActionRAG mengambil entitas dan tripel melalui dua kanal. Data ini membentuk kumpulan bukti awal dan graf lokal yang terbatas.
- Dua kanal pengambilan menghasilkan entitas dan tripel.
- Kumpulan bukti awal dibentuk dari data tersebut.
- Graf lokal yang terbatas dibentuk dari data tersebut.
Kriteria praktis: graf lokal di sekitar kueri, bukan peninjauan ulang seluruh memori.
Difusi bukti dengan perlindungan hubungan langsung
Difusi berbasis kueri yang dinormalisasi berdasarkan penerima menyempurnakan skor tripel. Difusi ini memperhitungkan struktur jalur lokal. Peninjauan ulang mengandalkan perlindungan bukti langsung dan pemulihan hubungan yang hilang.
Tiga mekanisme mendukung peninjauan ulang ini:
- perlindungan node awal membantu mempertahankan bukti langsung;
- aliran yang dikenai penalti hub memberi penalti pada aliran melalui hub;
- materialisasi tripel membantu memulihkan hubungan yang hilang.
Kriteria praktis: mempertahankan bukti langsung selama difusi.
Apa yang ditunjukkan evaluasi di MemoryAgentBench
MemoryAgentBench (MAB) menguji empat hal:
- akurasi pengambilan;
- resolusi konflik;
- pemahaman hubungan jarak jauh;
- pembelajaran saat pengujian.
Hasil ActionRAG di MAB:
| Metrik | Hasil |
|---|---|
| Akurasi rata-rata pada delapan kolom dengan penilaian deterministik | 55,1 |
| Keunggulan atas metode dasar memori berbasis pengambilan terkuat | 5,4 poin |
| Biaya sintesis rata-rata dengan memperhitungkan waktu kueri | rendah pada empat kolom biaya yang disajikan |
| Jumlah komponen p99 sisi pengambilan yang diukur secara terpisah | 440,7 ms pada sistem konsumen Apple Silicon |
Kriteria praktis: melaporkan akurasi, biaya sintesis, dan p99 komponen pengambilan secara terpisah.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Peralihan ke simpleks probabilitas mengurangi kesenjangan modalitas pada model multimodal kontrastif
Makalah arXiv:2610.32890 mengusulkan penggantian embedding sferis dengan simpleks probabilistik, dengan menambahkan adapter softmax ringan dan kemiripan Total Variation. Pada lima benchmark pencarian, jarak ℓ2 centroid antar-modalitas berkurang 97–99% dengan tetap mempertahankan atau meningkatkan kualitas pencarian.
3 November 2026
Lima belas perusahaan mendukung MDK Tether untuk otomatisasi penambangan
Produsen perangkat keras, pool, dan operator mengambil alih pengembangan integrasi dengan rangkaian terbuka Tether untuk menyatukan pemantauan dan pengelolaan perangkat; agen AI QVAC sudah berjalan dengan dasar ini. Konfirmasi independen mengenai penurunan biaya listrik atau peningkatan efisiensi belum dipublikasikan.
2 November 2026
Pengembangan terkelola agen LLM dalam investasi otonom: arsitektur multiagen dengan lapisan perlindungan yang tidak dapat diubah
Artikel ini menjelaskan Steward — sistem yang terdiri dari sembilan agen LLM dengan peran berbeda, di mana keputusan portofolio ditinjau oleh manajer risiko, dan perubahan prompt hanya diizinkan melalui kontrol yang dapat dibatalkan serta pemutaran ulang data yang direkam. Kesimpulan utamanya adalah bahwa inti yang tidak dapat diubah dan prosedur audit memungkinkan agen dikembangkan tanpa menyerahkan kendali atas aturan risiko dan eksekusi order kepada mereka.
1 November 2026