El autor ha desarrollado un proyecto en Rust llamado SelMem para experimentar con una memoria imperfecta y dependiente del camino para modelos de lenguaje grandes. Este enfoque imita la memoria humana permitiendo que los agentes compiman, olviden y reconstruyan recuerdos con el tiempo en lugar de almacenar copias perfectas de las interacciones.

  • Dos agentes idénticos experimentan las mismas interacciones iniciales hasta que uno sufre una divergencia.
  • El sistema elimina el contexto original, confiando en recuerdos comprimidos y potencialmente distorsionados para los turnos posteriores.
  • Las entradas originales se almacenan por separado para la comparación pero no se utilizan durante la recuperación para probar la fidelidad de la memoria.
  • El objetivo es determinar si las diferencias en la experiencia sobreviven al proceso de memoria selectiva o producen ruido interesante.

El autor invita a otros que trabajan con agentes LLM y memoria a intentar romper la idea, señalando que aunque la utilidad está sin demostrar, el experimento busca explorar cómo tales mecanismos afectan la unicidad del agente.