Jev-Mem: memoria agentica controllata dal sistema uno per agenti di IA efficienti

Abstract degli autori

La memoria agentica sta diventando essenziale per gli agenti di IA che operano su orizzonti temporali lunghi, ma molti sistemi esistenti si affidano agli LLM autoregressivi per controllare come le memorie vengono organizzate, recuperate e utilizzate, collocando la generazione costosa sul percorso critico delle operazioni di memoria. Presentiamo \textbf{\method}, una nuova architettura di memoria agentica ispirata alla cognizione del Sistema uno e del Sistema due. Il Sistema uno gestisce decisioni rapide e leggere, mentre il Sistema due svolge un ragionamento più lento e deliberato. Jev-Mem applica questa divisione del lavoro alla memoria agentica attraverso un piano di controllo dedicato al Sistema uno, un piano di memoria strutturato e multirelazionale e un piano di ragionamento del Sistema due. Durante la costruzione, il controller del Sistema uno governa la tipizzazione delle memorie e la loro organizzazione relazionale; durante il recupero, gestisce in modo dinamico l’instradamento delle query, l’allocazione del budget di recupero, l’esplorazione del grafo, la valutazione dei candidati e l’arresto adattivo. Il Sistema due viene attivato solo per il ragionamento complesso e la sintesi delle risposte. Questo design migliora sia l’efficacia della memoria sia l’efficienza del sistema: su LoCoMo, Jev-Mem raggiunge un punteggio complessivo LLM-as-a-Judge di 0,777, con un miglioramento relativo dell’11,0\% rispetto al baseline più forte; al contempo, riduce il tempo di costruzione della memoria a 158\,s, con un’accelerazione di 6.6$\times$ rispetto al sistema di memoria concorrente più veloce, e abbassa la latenza media delle query a 0,93\,s, con una riduzione del 36,7\%.