Para penulis memperkenalkan memori persisten selektif bersama untuk sistem LLM agentic guna mengatasi kehilangan konteks yang terjadi saat sesi dimulai dari nol. Arsitektur ini mengidentifikasi dan menyimpan konteks yang dapat digunakan kembali — seperti spesifikasi tugas, skema data, konfigurasi alat, dan batasan output — sambil membuang jejak penalaran spesifik sesi.
- Mencapai penyelesaian tugas 96% di tiga skenario perusahaan, dibandingkan dengan 79% tanpa memori dan 71% dengan riwayat lengkap.
- Mengimplementasikan mekanisme penyegaran data nol-token yang memisahkan program yang dihasilkan dari data runtime, mengurangi waktu tugas sebesar 14x.
- Memotong biaya token per invokasi sebesar 97x dibandingkan injeksi data mentah menggunakan generasi berbasis ringkasan.
- Menunjukkan generalisasi pada empat dataset publik, dengan penyegaran nol-token berhasil dalam semua 12 percobaan.
Pendekatan ini memungkinkan penggunaan kembali ruang kerja secara kolaboratif tanpa spesifikasi redundan dan menghindari degradasi yang disebabkan oleh persistensi riwayat lengkap yang naif.