Вот проблема, с которой может столкнуться любой, кто когда-либо отлаживал код: вы пробуете что-то — это не работает, пробуете снова — теперь с другим результатом, и к седьмой попытке вы уже забыли, что исключили ранее. Теперь представьте, что этот цикл происходит внутри агента ИИ, но вместо того чтобы забывать, агент тонет в тысячах токенов подробных журналов выполнения каждой предыдущей попытки.
Исследователи Meta обнаружили удивительно элегантное решение. Вместо того чтобы предоставлять кодировочным агентам всю их полную исходную историю, они показали, что компактные, структурированные сводки прошлых попыток могут гораздо эффективнее направлять будущие.
Меньше — это буквально больше
Основной вывод почти контринтуитивен в эпоху, когда «больше данных» обычно является стандартным ответом. Краткое двухстрочное резюме того, что пытался сделать кодовый агент и почему это не удалось, может превзойти тысячи токенов сырых логов выполнения при управлении следующим шагом агента.
Механизм работает в двух направлениях. Во-первых, он снижает контекстный шум — аналог отношения сигнал/шум в ИИ. Когда контекстное окно агента заполняется длинными, повторяющимися данными логов, полезная информация оказывается погребенной. Сжатие с помощью суммаризации удаляет шум и сохраняет то, что действительно важно.
Во-вторых, и, возможно, более важно, это предотвращает повторение ошибок. Без четкой записи того, что пошло не так, агенты склонны допускать одни и те же ошибки снова и снова. Структурированное резюме действует как чек-лист «не делайте этого снова», что оказывается чрезвычайно ценным для итеративного решения проблем.
Подход представляет собой философский сдвиг в том, как исследователи мыслят об улучшении агентов. Вместо увеличения количества попыток или привлечения большего объема вычислительных ресурсов акцент смещается на сжатие памяти и повторное использование опыта.
Где это вписывается в более широкие исследования агентов Meta
Эта работа не существует в вакууме. Она является частью постоянных усилий Meta по развитию систем самообучающихся агентов — исследовательского направления, которое ранее в 2026 году привело к созданию таких фреймворков, как HyperAgents и Meta-Harness.
Ранние фреймворки заложили основу для автономных ИИ-систем, способных со временем совершенствовать собственную операционную логику. Проблема, с которой они постоянно сталкивались, — когнитивная нагрузка, а именно, как предотвратить перегрузку агентов собственными историческими данными по мере накопления опыта.
Подход суммаризации напрямую устраняет этот узкий канал. Агент по-прежнему накапливает опыт, но теперь он преобразует этот опыт в компактную и практичную форму, прежде чем передать его обратно в процесс принятия решений в будущем.
Что это означает для инвесторов и ландшафта ИИ
Сейчас большинство компаний, разрабатывающих кодирующие агенты, улучшают свои продукты за счет масштабирования: больше вычислительных ресурсов, больше попыток, более длинные окна контекста. Все это требует затрат. Если подход Meta окажется эффективным в более широком спектре применений, это намечает путь к повышению производительности без линейного роста затрат.
Риск, как всегда при работе с научными статьями, заключается в том, что контролируемые результаты не всегда переносятся в производственные среды. Тесты кодирования более упорядочены, чем реальная программная инженерия, и качество этих двухстрочных резюме имеет огромное значение. Плохое резюме может быть хуже, чем его отсутствие, создавая вводящие в заблуждение сигналы вместо полезных.