Os autores introduzem memória persistente seletiva compartilhada para sistemas de LLMs agentes para abordar a perda de contexto que ocorre quando as sessões começam do zero. Esta arquitetura identifica e retém o contexto reutilizável — como especificações de tarefas, esquemas de dados, configurações de ferramentas e restrições de saída — enquanto descarta os rastros de raciocínio específicos da sessão.
- Alcança 96% de conclusão de tarefas em três cenários empresariais, comparado a 79% sem memória e 71% com histórico completo.
- Implementa um mecanismo de atualização de dados com zero tokens que desacopla os programas gerados dos dados em tempo de execução, reduzindo o tempo da tarefa por 14x.
- Reduz o custo de tokens por invocação em 97x versus injeção bruta de dados usando geração baseada em resumos.
- Demonstra generalização em quatro conjuntos de dados públicos, com atualização de zero tokens tendo sucesso em todos os 12 testes.
A abordagem permite a reutilização colaborativa de espaços de trabalho sem especificações redundantes e evita a degradação causada pela persistência ingênua do histórico completo.