लेखकों ने शून्य से शुरू होने वाली सत्रों में होने वाले संदर्भ ह्रास को दूर करने के लिए एजेंटिक LLM प्रणालियों के लिए साझा चयनात्मक स्थायी मेमोरी पेश की है। यह आर्किटेक्चर पुनः उपयोग योग्य संदर्भ — जैसे कार्य विनिर्देश, डेटा स्कीमा, टूल कॉन्फ़िगरेशन और आउटपुट प्रतिबंधों — को पहचानता और बनाए रखता है, जबकि सत्र-विशिष्ट तर्क ट्रैस को छोड़ देता है।
- तीन उद्योग परिदृश्यों में 96% कार्य पूर्णता प्राप्त करता है, मेमोरी के बिना 79% और पूर्ण इतिहास के साथ 71% की तुलना में।
- एक शून्य-टोकन डेटा रीफ्रेश तंत्र लागू करता है जो जनरेटेड प्रोग्राम को रनटाइम डेटा से अलग करता है, जिससे कार्य समय 14x कम हो जाता है।
- सारांश-चालित जनरेशन का उपयोग करके कच्चे डेटा इंजेक्शन की तुलना में प्रति-आह्वान टोकन लागत को 97x कम करता है।
- चार सार्वजनिक डेटासेट पर सामान्यीकरण प्रदर्शित करता है, जहाँ शून्य-टोकन रीफ्रेश सभी 12 परीक्षणों में सफल रहा।
यह दृष्टिकोण अनावश्यक विनिर्देश के बिना वर्कस्पेस का सहयोगात्मक पुनः उपयोग सक्षम बनाता है और नाइव पूर्ण-इतिहास स्थायित्व द्वारा होने वाले क्षरण से बचता है।