DecentMem aumenta la precisión en un 24% y reduce el uso de tokens en sistemas de agentes múltiples

Según el monitoreo de Beating, un equipo de la Universidad de Cambridge y la Universidad de Chicago ha liberado bajo código abierto el marco de memoria multiagente DecentMem, que reemplaza la memoria compartida global por memoria privada descentralizada. Los sistemas tradicionales suelen emplear memoria compartida, pero tras leer el mismo contexto, los agentes tienden a converger en rutas de decisión similares, lo que elimina la ventaja de la división del trabajo. El principio fundamental de DecentMem es que la colaboración debe basarse en diferencias cognitivas: solo al conservar memorias privadas se pueden mantener rutas complementarias. DecentMem permite a los agentes mantener una memoria dual con dos pilas: la pila de utilización (E-pool), que almacena experiencias pasadas y registros de reflexión, y la pila de exploración (X-pool), que genera continuamente nuevas ideas candidatas. Un decisor en línea ajusta dinámicamente los pesos de llamada a ambas pilas según las puntuaciones intermedias proporcionadas por un juez basado en un modelo de lenguaje grande, ayudando a los agentes a equilibrar automáticamente explotación y exploración. Teóricamente, la búsqueda autoevolutiva se modela como un paseo aleatorio en un grafo, cuya accesibilidad global garantiza que los agentes puedan escapar de óptimos locales. En pruebas con AutoGen, DyLAN y AgentNet, DecentMem superó en promedio un 8,6 % a la mejor línea base de memoria centralizada, con mejoras máximas de hasta un 23,8 %, y redujo el consumo de tokens a la mitad. El estudio reveló que cuanto más depende la colaboración de discusiones improvisadas en lugar de procesos fijos, más evidente es la ventaja descentralizada: en el marco DyLAN, que enfatiza la negociación libre, el sistema requiere aproximadamente un 60 % menos de iteraciones para alcanzar el mismo rendimiento y acelera la convergencia aproximadamente 2,5 veces.