# Рекурсивна пам'ять обіцяє зупинити деградацію AI-агентів > Стаття на arXiv (2608.24876, серпень 2026) описує рекурсивну experiential-working memory, яка стримує деградацію якості AI-агентів на довгих задачах. - Опубліковано: 26 серпня 2026 р. (2026-08-26T03:03:37.856996+00:00) - Розділ: Агенти - На основі публікації: [arXiv](http://arxiv.org/abs/2608.24876v1) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=%D1%80%D0%B5%D0%BA%D1%83%D1%80%D1%81%D0%B8%D0%B2%D0%BD%D0%B0-%D0%BF%D0%B0%D0%BC-%D1%8F%D1%82%D1%8C-%D0%BE%D0%B1%D1%96%D1%86%D1%8F%D1%94-%D0%B7%D1%83%D0%BF%D0%B8%D0%BD%D0%B8%D1%82%D0%B8-%D0%B4%D0%B5%D0%B3%D1%80%D0%B0%D0%B4%D0%B0%D1%86%D1%96%D1%8E-ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D1%96%D0%B2 --- Дослідники опублікували на arXiv роботу під номером 2608.24876 (серпень 2026), що описує механізм рекурсивної еволюції experiential-working memory — пам'яті, яка дозволяє AI-агентам утримувати контекст у задачах, що розтягуються на десятки й сотні кроків. [За даними arXiv](http://arxiv.org/abs/2608.24876v1), ідея в тому, щоб пам'ять агента не просто накопичувалась, а рекурсивно переосмислювалась і стискалась у процесі роботи — так, щоб релевантний досвід залишався доступним навіть тоді, коли початковий контекст давно виїхав за межі вікна моделі. Для будь-кого, хто будував агентів на базі LLM, ця проблема добре знайома: чим довша сесія — тим гірше агент пам'ятає, що робив 50 кроків тому, і тим частіше він повторює вже провалені дії або губить проміжні висновки. Стандартний підхід — просто розширювати контекстне вікно — упирається як у вартість, так і в те, що модель гірше використовує інформацію в середині дуже довгого промпту. Пропозиція з нової роботи цікава тим, що атакує проблему не збільшенням розміру пам'яті, а її структурою: замість лінійного логу подій — рекурсивний процес, який еволюціонує сам себе. ## Що саме пропонують дослідники? За описом джерела, ядро підходу — це experiential-working memory, яка оновлюється рекурсивно: кожен новий цикл роботи агента не просто дописує новий факт до пам'яті, а переоцінює й перебудовує вже наявні записи з урахуванням нового досвіду. Це відрізняється від типового патерну «запам'ятай усе й шукай по ключових словах», який зараз використовує більшість агентних фреймворків. - Пам'ять розглядається як робочий, а не архівний ресурс — вона активно бере участь у наступному кроці планування агента. - Еволюція відбувається рекурсивно: результат одного циклу переосмислення стає вхідними даними для наступного. - Мета — утримати якість рішень на довгому горизонті задачі, а не лише формально «не забути» факти. ## Чому деградація на довгих задачах — це взагалі проблема? Будь-хто, хто запускав агента на задачу довше за кілька годин автономної роботи, бачив однаковий патерн: перші кроки виконуються чисто, а потім агент починає «плисти» — забуває обмеження, повторює вже перевірені гіпотези, суперечить власним попереднім рішенням. Причина проста: контекстне вікно скінченне, а механізми стиснення історії (summary, retrieval, обрізання) втрачають саме ті деталі, які виявляються критичними пізніше. Це системна, а не випадкова проблема — і саме тому окремий шар пам'яті, а не просто більше токенів, виглядає правильним напрямком атаки. Ми вже писали про суміжну тему в матеріалі [чому довгі контекстні вікна вимагають нового шару інференсу](https://aiin.news/article?slug=чому-довгі-контекстні-вікна-вимагають-нового-шару-інференсу) — і рекурсивна пам'ять по суті пропонує альтернативу «просто збільшити вікно»: стискати й переосмислювати досвід замість того, щоб тягнути його вагу. ## Кому і коли це стане корисним? Практична цінність такого механізму найбільше відчутна там, де агент працює автономно довше, ніж один короткий чат-запит: багатокрокові дослідницькі агенти, coding-агенти, що ведуть рефакторинг у великому репозиторії кілька годин поспіль, або оперативні агенти, що супроводжують задачу протягом днів. У всіх цих сценаріях ціна забутого контексту — не незручність, а реальний ризик: агент може відкотити вже прийняте рішення, повторити помилку або втратити слід причини, чому певний підхід було відкинуто. ## Що з цим робити зараз? Поки що йдеться про дослідницьку роботу, а не про готовий продукт чи бібліотеку, тож пряме впровадження — справа не цього тижня. Але сам напрямок — пам'ять як активний, рекурсивно оновлюваний процес, а не пасивний журнал — вартий уваги кожного, хто зараз проєктує архітектуру довгоживучих агентів. Якщо ви вже будуєте власний шар пам'яті поверх LLM, є сенс переглянути, чи ваш поточний підхід (summary + vector retrieval) справді зберігає причинно-наслідкові зв'язки між кроками, чи просто складає факти в купу. ## Висновок AiiN Найцікавіше в цій роботі — не сама ідея пам'яті для агентів (над цим працюють десятки команд), а акцент саме на рекурсивності: пам'ять, яка активно переписує сама себе під впливом нового досвіду, а не лінійно росте. За нашою оцінкою, це ознака ширшого зсуву в дизайні агентних систем — від «більше контексту» до «розумніше стиснутий контекст». Якщо цей напрямок підтвердиться на практичних бенчмарках, наступний виграш у якості довгих агентних сесій прийде не від нового покоління моделей із ще довшим вікном, а від шару пам'яті, який стоїть окремо від моделі й переживає її оновлення. ## Що таке experiential-working memory? Це тип пам'яті агента, що поєднує функції робочої пам'яті (актуальний стан задачі, на якому агент оперує прямо зараз) і накопиченого досвіду (висновки з попередніх кроків). На відміну від простого логу дій, вона призначена для активного використання в наступних рішеннях агента, а не лише для довідки. ## Чим рекурсивна пам'ять відрізняється від звичайного retrieval-augmented підходу? Retrieval-augmented підходи здебільшого шукають релевантні фрагменти в незмінному архіві минулих подій. Рекурсивна еволюція пам'яті, за описом дослідників, натомість передбачає, що самі записи в пам'яті переосмислюються й перебудовуються з кожним новим циклом роботи агента, а не залишаються статичними. ## Чи можна вже використати цей підхід у власному агенті? Наразі це опублікована дослідницька робота на arXiv, а не бібліотека чи API — тож пряма інтеграція малоймовірна найближчим часом. Найкорисніше зараз — стежити за тим, чи з'являться відкриті реалізації або бенчмарки, що порівнюють цей підхід із стандартними схемами пам'яті на реальних довгих задачах. --- Теги: AI, агенти, пам'ять, LLM, arXiv Джерело: AiiN — https://aiin.news/article?slug=%D1%80%D0%B5%D0%BA%D1%83%D1%80%D1%81%D0%B8%D0%B2%D0%BD%D0%B0-%D0%BF%D0%B0%D0%BC-%D1%8F%D1%82%D1%8C-%D0%BE%D0%B1%D1%96%D1%86%D1%8F%D1%94-%D0%B7%D1%83%D0%BF%D0%B8%D0%BD%D0%B8%D1%82%D0%B8-%D0%B4%D0%B5%D0%B3%D1%80%D0%B0%D0%B4%D0%B0%D1%86%D1%96%D1%8E-ai-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.