Иван Паломарес Каррaскоса (Machine Learning Mastery) разбирает пять стратегий…

💢 Иван Паломарес Каррaскоса (Machine Learning Mastery) разбирает пять стратегий для долгоживущих агентов, у которых контекстное окно — узкое место.

1. Sliding window — помнит только последние N ходов. Дёшево, но чревато «цифровой амнезией» и зацикливанием.

2. Recursive summarization — сжимает старую историю в саммари, как JPEG. Держит общий «сюжет», но теряет детали.

3. Structured state management — вместо истории агент ведёт компактный JSON с целями и фактами. Экономно, но всё, что не заложено в схему, агент просто не увидит.

4. RAG-подход — вся история хранится во внешней базе, в промпт подтягивается только релевантное. Работает почти бесконечно, но рискует упустить связь между непохожими друг на друга событиями.

5. Dynamic context routing — рутину делает дешёвая модель, а когда агент застревает — подключается мощная модель с полной историей. Экономично, но сложно надёжно ловить момент, когда модель застряла.

Вывод автора: цель не бесконечная память, а архитектура, которая осознанно решает, что помнить, а что забыть.

❓ Какая стратегия кажется вам рабочей в проде, а какая — скорее теоретической?