Подробный разбор · Около 3 мин чтения
MemCurrent выходит в Agent Bricks Beta: как читать результаты Databricks
Сырые трассы, извлечённые знания и фоновая обработка образуют двухслойную память; корпоративные результаты получены самим поставщиком.
- Опубликовано здесь
- Дата источника
- Источник проверен
20 октября Databricks представила Agent Memory в Beta и архитектуру MemCurrent. Сервис управляет знаниями между сессиями. Исследование проверяет, можно ли отбирать полезное, применять его к новой работе и избегать повторного поиска, а не помнить абсолютно всё.
Слушать новости
Прослушайте эту статью или включите новости подряд.
Подготовка чтения…
Голос устройства
Речь обрабатывает браузер или устройство. AISubHub не отправляет текст в аудио-API. Доступные голоса и работа при заблокированном экране зависят от устройства.
При продолжении короткая фраза может повториться.
Кратко
- Agent Memory работает на Lakebase и объединяет управляемые сессии, память и фоновые конвейеры.
- Внутренний тест включает 114 случаев, 29 пользователей и 2 233 прошлые сессии; это не общий рейтинг моделей.
Сервис и исследовательская схема
Agent Memory управляет упорядоченными записями сессий, долговременными фактами и процедурами, а также их извлечением. Основа — Lakebase, бессерверный Postgres Databricks. Разработчик может просматривать, экспортировать и удалять записи и задавать правила сохранения. Записать разговор и определить, какая реплика должна влиять на будущий ответ, — разные задачи. Статус Beta не позволяет предполагать одинаковое поведение во всех внедрениях.
Как работают два слоя
MemCurrent хранит дополняемые без изменения эпизодические трассы и изменяемые производные знания в структуре, похожей на файлы. В начале сессии загружается индекс, затем поиск и получение записей дают подробности. Онлайн-инструменты обрабатывают явные просьбы добавить, изменить или удалить сведения; фоновый процесс извлекает неявные уроки, объединяет дубликаты и разрешает противоречия. Трассы сохраняют доказательства, индекс делает их обнаружимыми. Перенос извлечения за пределы ответа снижает работу на прямом пути, но задерживает доступность неявного урока. Поэтому явное исправление и плановое сопровождение выполняют разные функции.
Что измеряет корпоративный тест
Из разговоров Genie после проверки сформировали 114 случаев для 29 пользователей с 2 233 историческими сессиями. Проверяется применение знаний в многошаговой работе с данными, а не повторение найденной строки. Databricks сообщает 22,3% успешных задач без памяти и 68,4% с MemCurrent; последний вариант использовал 418K токенов и в среднем 252 секунды на задачу. Снижение токенов на 31% и времени на 26% относится именно к этому сравнению. Это не прогноз для любой компании и не сравнение публичных чат-подписок. Внутренний Genie-тест использовал Claude Opus 4.6 как агента и GPT 5.6 sol как модель памяти с тремя повторами.
Почему полный контекст — другой эксперимент
На трёх открытых тестах разговорной памяти средняя точность составила 88,1% против 87,8% при полном контексте, а вход — примерно 8,4K против 103K токенов на вопрос. Эти вопросы-ответы нельзя смешивать с общими затратами корпоративной задачи. Во внутренней абляции сырые трассы дали 35,8%, производные знания 66,1%, вместе 68,4%. Только фоновое извлечение дало 63,5%, онлайн-инструменты 53,9%, их сочетание 66,1% для производной памяти. Это поддерживает взаимодополнение механизмов в данной схеме, но не тезис, что больше истории всегда лучше. Публичные вопросы-ответы использовали GPT 5.6 luna; результаты усреднены по LangGraph, OpenAI Agents SDK и трём повторам.
Что проверить перед внедрением
Анализ AISubHub: пилот должен включать изменённые факты, противоречивые инструкции и вопросы, не требующие памяти. Допустим, команда меняет определение активного клиента: ранее верная процедура станет вредной, если старая формулировка сохранит приоритет. Следует проверить основания записи, передачу исправлений в будущие сессии, удаление и границы пользователей при поиске. Измеряйте успех и полное время, включая фоновую консолидацию, а не только сокращение промпта. Это предлагаемые критерии приёмки, а не независимо проверенные нами функции или показатели. Новая цена подписки в объявлениях не указана.
Почему это важно
Анализ AISubHub: проверяемая база знаний позволяет оптимизировать их сопровождение вместо бесконечного удлинения промпта. Данные должны оставаться актуальными и разрешёнными текущему пользователю. Успех, обслуживание и исправления нужно учитывать вместе.
Ограничения и доступность
Продукт находится в Beta. Оценки принадлежат Databricks, а не нашим испытаниям; внутренние данные и конкретные модели и среды ограничивают обобщение. Нет универсальной гарантии цены, задержки или улучшения.
Источники и подтверждения
Дата источника: · Источник проверен:
Дата источника: · Источник проверен:
Материалы подготовлены с помощью ИИ и сверены с указанными первоисточниками. Заявления поставщиков атрибутированы; публикация не означает рекомендацию.