A Databricks MemCurrent memóriát ad a termelési ügynököknek

A Databricks bemutatta a MemCurrent nevű tartós memóriaarchitektúrát a termelési környezetben működő AI-ügynökök számára. A vállalat szerint a rendszer belső tesztjükön megháromszorozta az ügynökök feladatmegoldási arányát, miközben 31 százalékkal kevesebb tokent használt és 26 százalékkal gyorsabban futott.
- A MemCurrent tartós memóriát biztosít termelési AI-ügynökök számára.
- A rendszer epizodikus és levezetett memóriát, valamint offline frissítési folyamatot használ.
- A Databricks belső benchmarkján 68,4 százalékos pass rate értéket ért el.
- A vállalat szerint a MemCurrent 31 százalékkal kevesebb tokent használt és 26 százalékkal gyorsabban futott.
- A rendszer az Agent Bricks Memory és a Genie működését is támogatja.
A memória egyszerre javíthatja a minőséget és a hatékonyságot
A Databricks szerint a vállalati AI-ügynökök fejlesztésének egyik nehézsége, hogy a válaszminőség és a működési hatékonyság gyakran egymás rovására javítható. A korábbi felhasználói beállítások, javítások, mérőszám-definíciók és sikeres munkafolyamatok megőrzése segíthet a pontosabb válaszokban, a visszatérő hibák elkerülésében és a korábban már elvégzett munka megismétlésének csökkentésében.
A teljes előzmény átadása azonban költséges lehet, ráadásul elavult, egymásnak ellentmondó vagy az adott feladathoz nem kapcsolódó információkat is tartalmazhat. A MemCurrent célja ezért annak kezelése, hogy mit kell megőrizni, hogyan kell frissíteni a tárolt tudást, és miként mérhető annak hasznossága.
A Databricks 2026. október 20-i közlése szerint a MemCurrent már az új Agent Bricks Memory és Genie mögött is működik.
Háromféle memória egy rendszerben
A MemCurrent három hozzáférési módot kombinál. A beépülő modul automatikusan olvas és ír memóriát a munkamenet meghatározott pontjain. Az eszközalapú megközelítésben maga az ügynök dönti el, mikor kér le vagy ment információt. Az offline folyamat a munkameneteken kívül, ütemezés vagy esemény alapján frissíti a memóriát.
A rendszer kétféle memóriát tárol. Az epizodikus memória a munkamenetek nyers nyomait őrzi, míg a levezetett memória ezek tömörített tanulságait strukturált tudásbázisban, fájlokként tárolja. A fájlstruktúrát egy automatikusan létrehozott memory.md index írja le.
Az epizodikus memória csak bővül, a levezetett memória viszont módosítható. Az ügynök az add_memory, update_memory és delete_memory eszközökkel kifejezett utasításokat kezelhet. A háttérben futó, „álmodó” folyamat az új munkamenetekből implicit tanulságokat emel ki, majd összevonja a duplikátumokat, felbontja a túl nagy fájlokat és kezeli az ellentmondásokat.
A munkamenet elején a rendszer betölti a memória indexét. Később a search_memory a kapcsolódó részleteket keresi meg, a fetch_memory pedig az azonosító vagy fájlútvonal alapján a teljes bejegyzést tölti be.
Vállalati feladatokon is tesztelték
A Databricks három nyílt forrású tesztet, a LoCoMo, a LongMemEval és a ConvoMem benchmarkot használta, amelyek korábbi beszélgetésekből származó tények felidézését vizsgálják. Emellett belső tesztet is készített a Genie valódi beszélgetéseiből. Több mint 12 ezer munkamenetből 3 ezer, memóriaszempontból releváns jelzést tartalmazó jelöltet választottak ki. A végső benchmark 114 tesztesetet, 29 felhasználót és 2233 előzmény-munkamenetet tartalmazott.
A belső teszt a vállalati adatmunka sajátosságaira épült. A feladatokban táblák jelentései, mérőszámok és munkafolyamatok szerepeltek. Öt memóriatípust, többek között profilokat, beállításokat, szakterületi tudást, projekteket és munkafolyamatokat vizsgáltak, tizenegy különböző forgatókönyvben.
A Databricks a MemCurrentet a Mem0, a PropMem és az OpenClaw memory megoldásaival vetette össze, azonos mögöttes nyelvi modellel. A három nyílt benchmark átlagán a MemCurrent 88,1 százalékos eredményt ért el, szemben a teljes előzmény átadásával elért 87,8 százalékkal. Ehhez a cég szerint kérdésenként körülbelül tizenkétszer kevesebb bemeneti tokenre volt szükség, 8,4 ezerre a 103 ezerrel szemben.
A belső benchmarkon a költség és a késleltetés is csökkent
A belső Memory Benchmarkon a MemCurrent 68,4 százalékos feladatmegoldási arányt ért el. Az átlagos késleltetés 252 másodperc, a tokenfelhasználás pedig 418 ezer volt. A Databricks összehasonlítása szerint memória nélkül az ügynök 22,3 százalékos eredményt produkált, az ideálisnak tekintett, előre ismert memóriák közvetlen befecskendezésével pedig 78,6 százalékot.
A vállalat állítása szerint a MemCurrent a memória nélküli működéshez képest megháromszorozta a pass rate értékét, 1,35-ször gyorsabb és 1,44-szer olcsóbb működés mellett. A Databricks szerint ez azt mutatja, hogy a termelési ügynökök számára a korábbi munkamenetek szelektív megőrzése és karbantartása hatékonyabb lehet a teljes előzmény folyamatos betöltésénél.
Databricks: MemCurrent: Designing Persistent Memory for Production Agents


