Prípadová štúdia: 77% entít strateno — potom 100% obnovené

Keď rozsah konverzácie LLM prekročí okno kontextu, platformy ju zhrnú — a stratia informácie. Merali sme to v našom vlastnom produkčnom nasadení multi-agentového systému: štandardná kompakcia stratila 77% menovaných entít (osoby, rozhodnutia, nástroje, dátumy). Požiadaný o integráciu s platebným spracovateľom diskutovanú 90 minút skôr, agent odpovedal „Nevedím“.

Zamenili sme kompakciu trojvrstvovou architektúrou zpamäti nad štrukturovanou pamäťou: entitné zvyšujú sa v plnom rozsahu a agent získava presne to, čo potrebuje aktuálny krok, na požiadanie.

Výsledok, meraný cez viac ako 16 000 správ na dvoch produkčných inštanciách agentov: 100 % obnovenie predchádzajúcich rozhodnutí (porovnanie so 43 % bez toho), pričom 46 MB session sa komprimuje do 35 kB pracovného kontextu — 99,94 % zníženie načítania tokenov. Záver publikovaného článku zostáva platný: neplatíte za lepší model, pláťte za lepšiu pamäť.

Celá metóda, vrátane prehľadu 27 nedávnych článkov z výskumných skupín z západného, čínskeho, kórejského a japonského prostredia, je publikovaná ako otvorený článok spoločnosťou GLG, a.s. (marec 2026) – vrátane kórejského a čínskeho vydania.