Penulis telah mengembangkan proyek Rust bernama SelMem untuk bereksperimen dengan memori yang tidak sempurna dan bergantung pada jalur untuk model bahasa besar. Pendekatan ini meniru memori manusia dengan memungkinkan agen mengompresi, melupakan, dan membangun kembali memori seiring waktu daripada menyimpan salinan sempurna dari interaksi.
- Dua agen identik mengalami interaksi awal yang sama hingga salah satunya mengalami divergensi.
- Sistem menghapus konteks asli, mengandalkan memori yang dikompresi dan berpotensi terdistorsi untuk giliran berikutnya.
- Input asli disimpan secara terpisah untuk perbandingan tetapi tidak digunakan selama pengambilan kembali untuk menguji kesetiaan memori.
- Tujuannya adalah menentukan apakah perbedaan pengalaman bertahan melalui proses memori selektif atau menghasilkan noise yang menarik.
Penulis mengundang orang lain yang bekerja pada agen LLM dan memori untuk mencoba memecahkan ide tersebut, mencatat bahwa meskipun kegunaannya belum terbukti, eksperimen ini bertujuan untuk mengeksplorasi bagaimana mekanisme semacam itu mempengaruhi keunikan agen.