Архитектура для LLM-агентов, которая сохраняет провалы, а не только успехи

LLM-агенты пишут код и проводят исследования, но после сессии их память обнуляется. RAG по сырым источникам не помогает: он не накапливает контекст. В итоге команды бесконечно повторяют одни и те же ошибки, потому что тупиковые ветки и откатанные гипотезы не сохраняются — ни в публикациях, ни в репозиториях.

Архитектура llm-wiki-memory-template предлагает решение: LLM-поддерживаемое, связанное wiki между сырыми источниками и агентом. Ключевая идея — append-only по умолчанию. Wiki хранит не только то, что сработало, но и провалы. Это решает проблему потери отрицательных результатов, которую публикации и обмен кодом структурно не закрывают.

Шаблон задуман как субстрат для совместной работы в трёх измерениях: «человек-человек», «человек-AI», «AI-AI». Каждый слой поддерживается отдельным архитектурным элементом.

Авторы проверили подход на трёх развёрнутых кейсах и одном дизайне. Самый показательный — проект двух авторов. Ретроактивный аудит пересмотрел заявленную точность двух предыдущих экспериментов: с заявленных 20 из 20 до 14 и 12 на основе доказательств, а затем до 18 и 18 после исправления. Путь ошибки сохранили в артефакте.

Главный тезис авторов — сохранение путей провала, честность агента и присвоение (appropriation) являются сквозными социотехническими свойствами артефакта. Это не просто технические механизмы.

Для практиков вывод очевиден: если ваши агенты не помнят, что уже пробовали и почему это не сработало, вы платите за одни и те же ошибки. Шаблон стоит изучить тем, кто строит пайплайны с долговременной памятью для агентов.

Источник: cs.AI updates on arXiv.org