Berikut adalah masalah yang boleh dipahami oleh sesiapa sahaja yang pernah membaiki kod: anda mencuba sesuatu, ia gagal, anda cuba lagi, ia gagal dengan cara yang berbeza, dan pada percubaan ketujuh, anda telah lupa apa yang sudah anda buang. Bayangkan kitaran ini berlaku di dalam agen AI, kecuali bahawa alih-alih lupa, agen itu tenggelam dalam ribuan token log eksekusi yang panjang lebar daripada setiap percubaan sebelumnya.
Penyelidik Meta menemui penyelesaian yang mengejutkan dan elegan. Alih-alih memberikan sejarah mentah penuh kepada agen pengkodean, mereka menunjukkan bahawa ringkasan ringkas dan berstruktur daripada percubaan sebelumnya boleh membimbing percubaan seterusnya dengan lebih berkesan.
Kurang secara harfiah lebih banyak
Penemuan utama hampir bertentangan dengan intuisi di era di mana “lebih banyak data” biasanya menjadi jawapan lalai. Ringkasan ringkas dua baris tentang apa yang cuba dilakukan oleh agen pengaturcaraan dan mengapa ia gagal boleh mengungguli ribuan token log eksekusi mentah apabila datang kepada mengarahkan langkah seterusnya agen tersebut.
Mekanisme ini berfungsi pada dua sisi. Pertama, ia mengurangkan gangguan konteks, setara AI dengan penurunan nisbah isyarat-ke-gangguan. Apabila tetingkap konteks agen dipenuhi dengan data log yang panjang dan berulang, maklumat yang berguna menjadi tersembunyi. Kompresi melalui ringkasan menghilangkan gangguan dan mempertahankan apa yang benar-benar penting.
Kedua, dan mungkin lebih penting lagi, ia mencegah pengulangan kegagalan. Tanpa rekod yang bersih mengenai apa yang salah, agen cenderung membuat kesilapan yang sama berulang-ulang. Ringkasan terstruktur bertindak seperti senarai semak “jangan lakukan ini lagi,” yang ternyata sangat berharga untuk penyelesaian masalah secara berulang.
Pendekatan ini mewakili perubahan falsafah dalam cara penyelidik memikirkan peningkatan agen. Alih-alih meningkatkan bilangan cubaan semula atau menggunkan lebih banyak pengiraan untuk menyelesaikan masalah, fokus berpindah kepada pemampatan memori dan penggunaan semula pengalaman.
Di mana ini sesuai dalam penyelidikan agen yang lebih luas di Meta
Kerja ini tidak berlaku dalam ruang hampa. Ia merupakan sebahagian daripada usaha berterusan Meta ke arah sistem agen yang mampu meningkatkan diri, satu garis penyelidikan yang telah menghasilkan kerangka seperti HyperAgents dan Meta-Harness pada awal 2026.
Kerangka kerja sebelumnya membina asas untuk sistem AI autonomi yang boleh memperbaiki logik operasi mereka sendiri seiring masa. Cabaran yang terus mereka hadapi ialah beban kognitif, khususnya bagaimana untuk mencegah agen daripada tertekan oleh data sejarah mereka sendiri semasa mereka mengumpulkan pengalaman.
Pendekatan ringkasan secara langsung menangani sempadan tersebut. Agen masih mengumpulkan pengalaman, tetapi kini ia memproses pengalaman itu menjadi sesuatu yang ringkas dan boleh ditindaklanjuti sebelum memasukkannya semula ke dalam pengambilan keputusan masa depan.
Apa yang ini bermaksud kepada pelabur dan landskap AI
Sekarang, kebanyakan syarikat agen pengaturcaraan meningkatkan produk mereka dengan memperbesar skala. Lebih banyak komputasi, lebih banyak percubaan semula, jendela konteks yang lebih panjang. Semua ini memerlukan kos. Jika pendekatan Meta berkesan dalam aplikasi yang lebih luas, ia menunjukkan jalan untuk prestasi yang lebih baik tanpa memerlukan peningkatan kos secara linear.
Risikonya, seperti biasa dengan kertas penyelidikan, ialah hasil yang dikawal tidak selalunya boleh diterapkan ke dalam persekitaran pengeluaran. Ujian pengkodean lebih bersih berbanding kejuruteraan perisian dunia nyata, dan kualiti ringkasan dua baris itu sangat penting. Satu ringkasan yang buruk boleh lebih buruk daripada tiada ringkasan sama sekali, memperkenalkan isyarat yang menyesatkan berbanding yang membantu.