DecentMem aumenta a precisão em 24% e reduz o uso de tokens em sistemas multiagente

Segundo o monitoramento da Beating, uma equipe da Universidade de Cambridge e da Universidade de Chicago lançou de código aberto o framework de memória multiagente DecentMem, substituindo a memória compartilhada global por memórias privadas descentralizadas. Sistemas tradicionais geralmente utilizam memória compartilhada, mas após os agentes lerem o mesmo contexto, frequentemente convergem para caminhos de decisão semelhantes, fazendo com que a vantagem de divisão de tarefas desapareça. O princípio central do DecentMem é que a colaboração deve depender de diferenças cognitivas; manter memórias privadas é essencial para preservar caminhos complementares. O DecentMem permite que os agentes mantenham duas pools de memória exclusivas: a Pool de Exploração (E-pool), que armazena experiências passadas e registros de reflexão, e a Pool de Exploração (X-pool), que gera continuamente novas ideias candidatas. Um decisor online ajusta dinamicamente os pesos de chamada das duas pools com base em pontuações parciais fornecidas por um juiz baseado em grande modelo de linguagem, ajudando os agentes a equilibrar autonomamente exploração e exploração. Teoricamente, a busca autoevolutiva é modelada como uma caminhada aleatória em um grafo, cuja acessibilidade global garante aos agentes a capacidade de escapar de ótimos locais. Nos testes com AutoGen, DyLAN e AgentNet, o DecentMem superou em média 8,6% a melhor linha de base de memória centralizada, alcançando um aumento máximo relativo de 23,8% nos melhores cenários, além de reduzir o consumo de tokens pela metade. A pesquisa descobriu que quanto mais a colaboração depender de discussões improvisadas em vez de processos fixos, mais evidente se torna a vantagem descentralizada; no framework DyLAN, que enfatiza negociação livre, o sistema reduziu em cerca de 60% o número de iterações necessárias para atingir o mesmo desempenho, aumentando a velocidade de convergência em cerca de 2,5 vezes.