Berikut adalah masalah yang bisa dipahami oleh siapa pun yang pernah memperbaiki kode: Anda mencoba sesuatu, gagal, mencoba lagi, gagal dengan cara berbeda, dan pada upaya ketujuh, Anda sudah lupa apa yang sudah Anda singkirkan. Sekarang bayangkan siklus ini berjalan di dalam agen AI, kecuali bahwa alih-alih lupa, agen tersebut tenggelam dalam ribuan token log eksekusi yang panjang lebar dari setiap upaya sebelumnya.
Peneliti Meta menemukan solusi yang secara mengejutkan elegan. Alih-alih memberikan riwayat mentah lengkap kepada agen pemrograman, mereka menunjukkan bahwa ringkasan ringkas dan terstruktur dari upaya sebelumnya dapat membimbing upaya berikutnya jauh lebih efektif.
Lebih sedikit secara harfiah lebih banyak
Temuan utamanya hampir bertentangan dengan logika di era di mana “lebih banyak data” biasanya menjadi jawaban baku. Ringkasan singkat dua baris tentang apa yang dicoba agen pemrograman dan mengapa gagal dapat mengungguli ribuan token log eksekusi mentah dalam mengarahkan langkah berikutnya agen.
Mekanisme ini bekerja pada dua front. Pertama, ia mengurangi kebisingan konteks, setara AI dari penurunan rasio sinyal-terhadap-kebisingan. Ketika jendela konteks agen dipenuhi dengan data log yang panjang dan berulang, informasi yang berguna menjadi tersembunyi. Kompresi melalui ringkasan menghilangkan kebisingan dan mempertahankan yang benar-benar penting.
Kedua, dan mungkin yang lebih penting, ini mencegah pengulangan kesalahan. Tanpa catatan yang jelas tentang apa yang salah, agen cenderung membuat kesalahan yang sama berulang-ulang. Ringkasan terstruktur bertindak seperti daftar periksa “jangan lakukan ini lagi,” yang ternyata sangat berharga untuk pemecahan masalah iteratif.
Pendekatan ini mewakili pergeseran filosofis dalam cara peneliti memikirkan peningkatan agen. Alih-alih meningkatkan jumlah percobaan ulang atau mengalokasikan lebih banyak daya komputasi ke masalah, fokus berpindah ke kompresi memori dan pemanfaatan ulang pengalaman.
Di mana hal ini cocok dalam penelitian agen yang lebih luas di Meta
Pekerjaan ini tidak ada dalam ruang hampa. Ini adalah bagian dari dorongan berkelanjutan Meta menuju sistem agen yang dapat meningkatkan diri sendiri, sebuah jalur penelitian yang telah menghasilkan kerangka seperti HyperAgents dan Meta-Harness lebih awal di tahun 2026.
Kerangka kerja sebelumnya meletakkan dasar untuk sistem AI otonom yang dapat menyempurnakan logika operasional mereka sendiri dari waktu ke waktu. Tantangan yang terus mereka hadapi adalah beban kognitif, khususnya bagaimana mencegah agen menjadi kewalahan oleh data historis mereka sendiri seiring akumulasi pengalaman.
Pendekatan ringkasan secara langsung menangani kendala tersebut. Agen tetap mengakumulasi pengalaman, tetapi sekarang ia memproses pengalaman tersebut menjadi sesuatu yang ringkas dan dapat ditindaklanjuti sebelum memasukkannya kembali ke dalam pengambilan keputusan masa depan.
Apa artinya ini bagi para investor dan lanskap AI
Saat ini, sebagian besar perusahaan agen pemrograman meningkatkan produk mereka dengan memperbesar skala. Lebih banyak komputasi, lebih banyak percobaan ulang, jendela konteks yang lebih panjang. Semua itu memerlukan biaya. Jika pendekatan Meta tetap efektif di berbagai aplikasi yang lebih luas, ini menunjukkan jalur untuk kinerja yang lebih baik tanpa memerlukan peningkatan biaya secara linier.
Risikonya, seperti selalu terjadi pada makalah penelitian, adalah hasil yang terkontrol tidak selalu dapat diterapkan pada lingkungan produksi. Pengujian kode lebih rapi daripada rekayasa perangkat lunak dunia nyata, dan kualitas ringkasan dua baris tersebut sangat penting. Ringkasan yang buruk bisa lebih buruk daripada tidak ada ringkasan sama sekali, karena memperkenalkan sinyal yang menyesatkan alih-alih yang membantu.