Apple-kutatás: közös, szelektív memória segítheti az LLM-ügynököket
Közös, szelektív tartós memóriát mutat be az Apple kutatási anyaga az ügynökalapú LLM-rendszerekhez, amelyek több lépésben, eszközhasználattal állítanak elő kódot. A megközelítés célja, hogy a korábbi munkamenetek hasznos kontextusa megmaradjon, miközben a zavaró vagy elavult következtetési nyomok ne terheljék a modellt.
- Az Apple közös, szelektív tartós memóriát mutatott be ügynökalapú LLM-rendszerekhez.
- A memória négy kontextustípust őriz meg: feladatspecifikációkat, adatsémákat, eszközkonfigurációkat és kimeneti korlátokat.
- Három vállalati forgatókönyvben 96 százalékos feladatbefejezést mértek, memória nélkül 79 százalékot, teljes előzménnyel 71 százalékot.
- A zero-token data refresh 12-ből 12 nyilvános adathalapos próbában sikeres volt.
- A kutatás szerint a teljes előzmény megőrzése ronthatja az eredményt az elavult következtetési nyomok miatt.
A probléma: minden munkamenet nulláról indul
Az Apple 2026 szeptemberében publikált kutatási oldala szerint az ügynökalapú LLM-rendszerek alapvető kontextusproblémával szembesülnek, amikor több körön át, eszközöket használva generálnak kódot. Egy új munkamenet indulásakor elveszhetnek azok a konfigurációs döntések, tartományi korlátok, adatsémák és eszközhasználati minták, amelyek a korábbi munkát hatékonnyá tették.
A teljes beszélgetési előzmény egyszerű megőrzését a szerzők tokenpazarlónak és kontraproduktívnak írják le, mert az irreleváns kontextus ronthatja a generálás minőségét. Erre válaszul vezetik be a shared selective persistent memory, vagyis a közös, szelektív tartós memória architektúráját.
Mit őriz meg a szelektív memória?
A megoldás négyféle újrahasznosítható kontextust azonosít és tart meg: a feladatspecifikációkat, az adatsémákat, az eszközkonfigurációkat és a kimeneti korlátokat. A munkamenethez kötött következtetési nyomokat ezzel szemben eldobja.
A kutatás egyik fontos eleme, hogy a memória megosztható. A szelektív memóriát tartalmazó munkaterületek szerepköralapú hozzáférés-vezérléssel átadhatók felhasználók között, így a csapatok újra felhasználhatják a felhalmozott kontextust anélkül, hogy ugyanazokat a specifikációkat ismételten meg kellene adniuk.
Az Apple a megközelítést egy élesben használt, együttműködésre épülő munkaterület-platformban valósította meg. Ebben LLM-ügynökök hoznak létre, szerkesztenek és tartanak karban git-verziózott artefaktumokat, köztük interaktív irányítópultokat, strukturált jelentéseket és adatvezérelt dokumentumokat. Az adatok heterogén forrásokból érkezhetnek, többek között CSV-feltöltésből, SQL-ből, REST API-kból és MCP-szerverekből.
Mért eredmények és kiegészítő mechanizmusok
A publikáció szerint a git-alapú verziózás és a piszkozatok elkülönítése lehetővé teszi, hogy a felhasználók kockázat nélkül próbáljanak ki módosításokat, és bármely korábbi állapotot visszaállítsanak a modell újbóli meghívása nélkül.
A rendszerhez kapcsolódik egy zero-token data refresh nevű mechanizmus is, amely leválasztja a generált programokat a futásidejű adatokról. Ez a forrás szerint lehetővé teszi az artefaktumok újrahasznosítását új modellhívás nélkül.
Három vállalati bevezetési forgatókönyvben a közös, szelektív tartós memória 96 százalékos feladatbefejezést ért el. Memória nélkül ez az érték 79 százalék, teljes előzmény használatával 71 százalék volt. A zero-token data refresh a visszatérő adatfrissítéseknél teljesen megszüntette az LLM újbóli meghívását, és 14-szeres feladatidő-csökkenést hozott. A kivonatalapú generálás a nyers adatok közvetlen beillesztéséhez képest 97-szeresére csökkentette az egy meghívásra jutó tokenköltséget. Négy nyilvános adathalmazon végzett replikációban a zero-token refresh 12-ből 12 próbában sikeres volt.
Mit jelent ez a felhasználóknak és a piacnak?
A kutatás alapján a hasonló ügynökalapú rendszerekben a memória minősége kulcskérdés lehet. Az Apple eredményei szerint a teljes előzmény megőrzése nem javította, hanem rontotta a feladatbefejezést, mert az ügynököt elavult következtetési nyomok befolyásolhatták.
A felhasználói oldalról a megközelítés azt ígéri, hogy a korábban felépített munkakörnyezetek, adatkapcsolatok, kimeneti szabályok és sémák jobban újrahasznosíthatók lehetnek. A forrásban bemutatott rendszerben ez együtt jár a verziózott munkával, a korábbi állapotok visszaállításával és az ismétlődő adatfrissítések modellhívás nélküli kezelésével.
