Metas minneagent løfter Terminal-Bench fra 38 til 46 prosent

Agenten registrerer en begrensning tidlig i oppgaven og bryter den likevel en stund senere, mens den fikser en helt annen feil. Den ser at en kommando feiler, og prøver nesten samme kommando kort etterpå. Den diagnostiserer et feilmønster, og behandler det samme mønsteret som ferskt neste gang det dukker opp. I en ny artikkel kaller forskerne i Meta AI dette «behavioral state decay»: tilstanden som styrer agentens valg blir spredt utover en voksende oppgavehistorikk, begravd dypt i kontekstvinduet eller ute av det. Lengre historikk løser det ikke, skriver The Decoder, for informasjonen kan ligge i transkriptet uten å påvirke oppførselen.

Eksisterende minnesystemer handler om å lagre, oppdatere og hente fram informasjon, og det fungerer godt for personalisering og gjenkalling på tvers av økter. En agent midt i en oppgave står overfor et annet problem: systemet må avgjøre når et minne er nyttig nok til å hentes fram. For få påminnelser gir gjentatte feil, for mange gir latens, spiser tokens og forstyrrer agenten i det den holder på med. En fast oppsummeringsregel klarer ikke den vurderingen, fordi feilmodusene varierer kraftig fra oppgave til oppgave.

Løsningen parer en uendret handlingsagent med en separat minneagent. Med jevne mellomrom leser minneagenten et glidende vindu av de siste stegene og oppdaterer en minnebank med tre deler:

1. Statusfelt som sporer fremdrift og gjenstående risiko, og som aldri vises til handlingsagenten
2. Kunnskapsminne med stabile fakta: krav, filstier og konfigurasjon
3. Prosedyreminne over hva agenten har prøvd og hva som skjedde, inkludert feilede kommandoer, vellykkede rettinger og forkastede hypoteser

Minneagenten kan bare endre banken gjennom forhåndsdefinerte verktøykall, ikke ved å overskrive innholdet fritt. Deretter avgjør den om en lagret tilstand skal aktiveres som en målrettet påminnelse i neste kall, eller om den skal tie. Å la være er en del av politikken.

Tallene over gjelder Claude Sonnet 4.5 som handlingsagent og Claude Opus 4.6 som minneagent. Utslaget varierte med domene: flyselskap og varehandel steg rundt 10 prosentpoeng hver på tau2-Bench, telekom bare 3. Gevinsten var størst for den svakeste agenten, men forsvant ikke med en sterkere.

Ablasjonene er den mest nyttige delen for deg som bygger noe liknende. Da handlingsagenten fikk hele minnebanken servert ved hvert steg, falt ytelsen under det fulle systemet. En variant uten muligheten til å tie holdt seg konkurransedyktig, men ga mindre konsistente utslag på tvers av domener. En rådgiver-variant uten varig minnebank hjalp i noen domener og skadet i andre. Systemet slo også Mem0, et minnelag i produksjon som henter fram poster via søk.

Et eksempel fra tau2-Bench viser mekanismen: en bruker hevdet å ha Gold-status, mens verktøydataene identifiserte vedkommende som vanlig kunde. Utgangsversjonen ga kompensasjon basert på brukerens påstand, mens minneagenten sendte inn en påminnelse om å holde seg til verifiserte verktøydata. De fleste gjenstående feilene handlet om kalibrering heller enn minne, blant annet at minneagenten stolte for mye på en spekulativ slutning.

Hovedversjonen krever ingen spesialtrent modell og kjører som en promptet agent. Forskerne testet også å lære bort intervensjonspolitikken til en åpen modell: uten trening senket den mindre Qwen3.5-27B ytelsen som minneagent, og det måtte veiledet finjustering til før den holdt mål. Gevinsten i dette arbeidet kommer fra tilbakeholdenhet, ikke fra å huske mer.