DecentMem Meningkatkan Akurasi Sebesar 24% dan Mengurangi Penggunaan Token dalam Sistem Multi-Agen

Berdasarkan pemantauan Beating, tim dari Universitas Cambridge dan Universitas Chicago telah melepaskan kerangka memori multi-agensi DecentMem secara open-source, yang menggantikan memori bersama global dengan memori pribadi terdesentralisasi. Sistem tradisional umumnya menggunakan memori bersama, tetapi setelah agen membaca konteks yang sama, mereka cenderung menyatu pada jalur keputusan yang serupa, sehingga menghilangkan keunggulan pembagian tugas. Konsep inti DecentMem adalah bahwa kolaborasi harus bergantung pada perbedaan kognitif; hanya dengan mempertahankan memori pribadi maka jalur komplementer dapat dipertahankan. DecentMem memungkinkan agen memelihara dua pool memori eksklusif: E-pool (exploitation pool) yang menyimpan pengalaman historis dan catatan refleksi, serta X-pool (exploration pool) yang terus menghasilkan ide-ide kandidat baru. Sebuah penentu daring menyesuaikan bobot pemanggilan kedua pool secara dinamis berdasarkan penilaian tahapan dari model bahasa besar sebagai wasit, membantu agen menyeimbangkan eksplorasi dan eksploitasi secara mandiri. Secara teoritis, pencarian self-evolving dimodelkan sebagai random walk pada graf, di mana keterjangkauan global memberikan jaminan bagi agen untuk keluar dari wilayah optimal lokal. Dalam pengujian pada AutoGen, DyLAN, dan AgentNet, DecentMem meningkatkan kinerja rata-rata sebesar 8,6% dibandingkan baseline memori terpusat terkuat, dengan peningkatan maksimum mencapai 23,8% dalam skenario terbaik, sekaligus mengurangi konsumsi token hingga separuhnya. Penelitian menemukan bahwa semakin besar ketergantungan kolaborasi pada diskusi spontan daripada prosedur tetap, semakin jelas keunggulan terdesentralisasi; dalam kerangka DyLAN yang menekankan negosiasi bebas, jumlah iterasi yang diperlukan untuk mencapai kinerja setara berkurang sekitar 60%, dengan kecepatan konvergensi meningkat sekitar 2,5 kali lipat.