Память давно стала стандартной возможностью AI-агентов, но хранение логов диалогов и цепочек рассуждений само по себе не делает систему умнее. Microsoft Research в новом препринте и сопутствующем блоге представила фреймворк EvoLib, который превращает сырой опыт в эволюционирующую библиотеку знаний. Вместо того чтобы накапливать гигабайты записей, агент выделяет работающие стратегии, фиксирует ошибки и постепенно обобщает эти уроки на новые задачи — без переобучения базовой модели.
Ключевые факты
| Параметр | Значение |
|---|---|
| Разработчик | Microsoft Research |
| Название | EvoLib (Evolutionary Library) |
| Суть | Фреймворк извлекает из опыта агента повторно используемые навыки и инсайты, постоянно их уточняя и перевзвешивая |
| Результаты | Превосходит retrieval-системы памяти и другие абстрактные механизмы памяти по производительности и эффективности токенов |
Проблема: память без обучения
Современные AI-агенты умеют сохранять историю взаимодействий, но при столкновении с новой задачей им приходится перебирать всё накопленное, чтобы найти полезный фрагмент. Это неэффективно и не ведёт к обобщению. Человек, в отличие от агента, запоминает не все детали, а работающие приёмы и типичные ошибки — и со временем эти уроки становятся более универсальными. EvoLib пытается перенести этот принцип в архитектуру агента.
Как работает EvoLib: извлечение и эволюция знаний
В основе фреймворка лежит не статическое хранилище, а динамическая библиотека, в которой единица знания может быть либо навыком (reusable skill), извлечённым из успешного решения, либо рефлексивным инсайтом, полученным из ошибок. При поступлении нового опыта библиотека не просто дополняется — существующие записи переоцениваются, объединяются и корректируются. Разработчики предусмотрели специальные механизмы эволюции, которые позволяют знаниям становиться более общими и точными по мере накопления опыта.
Важно, что EvoLib не требует обновления весов языковой модели: всё обучение происходит на этапе тестирования (test-time learning) за счёт эволюции библиотеки. Это делает фреймворк практичным для развёрнутых агентов, которые не могут быть переобучены после каждого нового взаимодействия.
Результаты и сравнение
EvoLib протестировали на наборе разнородных задач, требующих разных типов опыта. Во всех сценариях он обошёл лучшие retrieval-системы памяти и другие абстрактные механизмы, затрачивая при этом меньше токенов. Особенно заметен эффект при увеличении вычислительных ресурсов на этапе тестирования: EvoLib быстрее превращает дополнительное вычисление в прирост качества, чем методы, работающие с каждой задачей изолированно.
Дополнительно исследователи проверили устойчивость к порядку задач. В реальных условиях агент может сталкиваться с запросами в произвольной последовательности. EvoLib показал стабильные результаты вне зависимости от того, в каком порядке поступают задачи — важное свойство для практического развёртывания без специального курикулума.
Значение для AI-агентов
EvoLib — это не просто ещё один способ хранения памяти. Он предлагает сдвиг от «запоминать больше» к «учиться из опыта». Для разработчиков агентов это означает, что можно строить системы, которые со временем становятся эффективнее на своих задачах, не требуя перезапуска модели или ручного инжиниринга навыков. Код и эксперименты опубликованы на GitHub, что позволит сообществу проверить результаты и адаптировать подход под свои сценарии.
Источник: Microsoft Research — EvoLib: Turning experience into evolving knowledge.