Une nouvelle architecture de mémoire emploie des embeddings hyperboliques pour organiser les entrées de la base vectorielle selon un « score d'abstraction », permettant aux agents de gérer les connaissances plus efficacement que les systèmes RAG plats. Cette approche structure les données de sorte que les entrées abstraites, comme les préférences, se situent près du centre tandis que les événements concrets résident à la périphérie, facilitant un meilleur regroupement et une meilleure récupération.
- Les entrées reçoivent un score d'abstraction influençant le regroupement basé sur la densité HDBSCAN, visualisé comme un « déformation » gravitationnel dans l'espace de Poincaré.
- Les entrées abstraites ont une entropie plus élevée et appartiennent à plusieurs clusters, apparaissant fréquemment dans les récupérations aux côtés de détails concrets.
- Le système retourne des « Scènes Spectre », qui sont des clusters contenant un mélange équilibré d'entrées abstraites, moyennes et concrètes centrées sur un thème.
- Un agent traite ces scènes pour supprimer, consolider ou abstraire les entrées, préservant ainsi la structure hiérarchique au fil du temps.
Cette méthode aide les agents à intégrer de nouvelles informations dans la mémoire existante en fournissant un contexte étendu via les Scènes Spectre, dépassant les graphes de connaissances à grain grossier.