Агенту предложили забывать 🧐 рассуждения после каждого шага

Исследователи Google и Purdue представили SKILL.state — архитектуру для долгих агентных задач без постоянно растущей истории диалога.

На каждом шаге модель получает только:

🔘 неизменяемое описание скилла;
🔘 текущее состояние в виде структуры;
🔘 последнее наблюдение.

Модель предлагает изменение состояния и следующее действие. Runtime проверяет патч, сохраняет обновлённое состояние, а промежуточные рассуждения удаляет.

В тесте на 100 шагов такой агент потратил 65 тысяч токенов против 1,06 миллиона у варианта, который хранил состояние вместе со всей историей. Точность при этом выросла с 91% до 94%.

Для тебя здесь полезный паттерн: журнал событий и рабочее состояние агента — разные сущности. Для выполнения задачи модели нужен актуальный JSON, а полный лог можно хранить отдельно для аудита. Так старые наблюдения не отравляют контекст, а расход токенов растёт линейно, а не квадратично.

Ограничение: схема состояния должна быть известна заранее. Если агент не сохранил важный факт в момент получения, после удаления истории восстановить его уже не получится.

🔜 исследование SKILL.state

#aiagents #agentskills #contextengineering #agentmemory #llmarchitecture #statemanagement

@data_engi