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, 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.

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 — 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.