Учёные факультета вычислительной математики и кибернетики МГУ предложили подход к тому, как системы на основе искусственного интеллекта могут запоминать и использовать информацию при длительном взаимодействии с пользователем.

Современные ИИ-ассистенты, как правило, сохраняют всю историю диалога без отбора и структурирования. Это приводит к накоплению избыточной информации, снижает точность поиска нужных данных и ухудшает согласованность ответов при работе с длинным контекстом.

В работе предложена архитектура, в которой управление долговременной памятью выделено в отдельную подсистему. Она принимает решения о том, какие сведения следует сохранять, а какие — удалять или перерабатывать.

При работе системы сначала выполняется поиск ранее сохранённых записей, связанных с текущим запросом пользователя. Найденные элементы преобразуются в компактный контекст и добавляются ко входным данным модели, после чего формируется ответ. Затем подсистема памяти анализирует новые данные и решает, нужно ли их сохранять.

Для снижения шума и устранения дублирования применяется дополнительная обработка записей: они могут сокращаться, помечаться тегами или удаляться. Это позволяет поддерживать более согласованное поведение системы при длительном диалоге.

«Мы рассматриваем память не как простой архив диалога, а как управляемую систему, в которой важно сохранять только существенную информацию и реорганизовывать ее в процессе работы», — отметила доцент кафедры алгоритмических языков факультета ВМК МГУ Лариса Кузина.

Предложенный подход может использоваться при разработке ИИ-ассистентов и других систем, работающих с длительным контекстом, где важно учитывать накопленную информацию без потери её качества.

Результаты работы были представлены на научной конференции «Ломоносовские чтения».