Google предлагает по-другому строить память для долгоживущих AI-агентов.

Вместо того чтобы бесконечно таскать за агентом всю историю диалога и reasoning trace, авторы предлагают хранить только небольшой явный execution state.

Подход называется SKILL.state.

На каждом шаге модель получает только:

- инструкции навыка
- структурированное текущее состояние
- последнее наблюдение

После шага reasoning удаляется, а сохраняется только проверенное обновление state.

За счёт этого размер prompt почти не растёт вместе с длиной задачи.

На warehouse-задаче из 100 шагов с Gemini-3-Flash:

SKILL.state:
- score: 0.94
- токены: 65 408

LangGraph-style baseline:
- score: 0.91
- токены: 1 062 387

Разница по токенам - примерно 16.2×.

То есть агенту не обязательно помнить всю историю, если всё важное можно аккуратно перенести в структурированное состояние.

Ограничение тоже важное: подход работает только тогда, когда вся информация, которая понадобится позже, действительно помещается в заранее заданную state-схему.

arxiv.org/abs/2608.26263