Compartición de Memoria para Agentes Basados en Modelos de Lenguaje Grande

En el ámbito de la inteligencia artificial, la adaptación de agentes basados en Modelos de Lenguaje Grande (LLM) para ejecutar tareas mediante indicaciones en lenguaje natural representa un avance significativo, eliminando notablemente la necesidad de reentrenamiento o ajuste fino explícito para tareas de respuesta fija, como preguntas de sentido común y consultas de sí/no. Sin embargo, la aplicación del Aprendizaje en Contexto a desafíos abiertos, como la creación de poesía, revela limitaciones sustanciales debido a la exhaustividad de los ejemplos proporcionados y la capacidad del agente para comprender el contenido expresado en el problema, lo que conduce a resultados que a menudo divergen significativamente de los esperados. Para abordar esta brecha, nuestro estudio presenta el marco Memory-Sharing (MS) para múltiples agentes LLM, que utiliza un sistema de almacenamiento y recuperación de memoria en tiempo real para mejorar el proceso de Aprendizaje en Contexto. Cada "memoria" dentro de este sistema captura tanto la consulta planteada como la respuesta en tiempo real de un agente basado en LLM, agregando estas memorias de una amplia gama de agentes similares para enriquecer la reserva de memoria compartida por todos los agentes. Este marco no solo ayuda a los agentes a identificar los ejemplos más relevantes para tareas específicas, sino que también evalúa la utilidad potencial de sus memorias para futuras aplicaciones por otros agentes. La validación empírica a través de tres dominios distintos que involucran funciones especializadas de agentes demuestra que el marco MS mejora significativamente el rendimiento del agente en cuanto a preguntas abiertas. Además, también discutimos qué tipo de reserva de memoria y qué estrategia de recuperación en MS pueden ayudar mejor a los agentes, ofreciendo una dirección futura para el desarrollo de MS. El código y los datos están disponibles en: https://github.com/GHupppp/MemorySharingLLM