ALMA: Agenten entwickeln eigene Speicher – Weg zur kontinuierlichen KI

Die stateless Natur von Basis-KI-Modellen hemmt Agentensysteme daran, kontinuierlich zu lernen – eine Schlüsselqualifikation für langfristiges Denken und Anpassung. Um dieses Hindernis zu überwinden, setzen viele Agenten auf Speicher‑Module, die vergangene Erfahrungen sichern und wiederverwenden. Doch die meisten dieser Speicher sind von Menschen vorgefertigt und bleiben unveränderlich, was ihre Flexibilität in der realen, sich ständig wandelnden Welt einschränkt.

In der neuen Studie wird ALMA (Automated meta‑Learning of Memory designs for Agentic systems) vorgestellt – ein Rahmenwerk, das Speicher‑Designs selbstständig meta‑lernt. Anstatt auf festgelegte, handgefertigte Strukturen zurückzugreifen, sucht ein Meta‑Agent nach Speicherlösungen, die als ausführbarer Code formuliert sind. Dadurch kann ALMA beliebige Speicher‑Architekturen entdecken, von Datenbankschemata bis hin zu komplexen Abruf‑ und Aktualisierungsmechanismen.

Durch umfangreiche Tests in vier sequentiellen Entscheidungsdomänen zeigte ALMA, dass die automatisch erstellten Speicher effizienter und effektiver lernen als die besten menschlich entworfenen Alternativen. Damit ebnet ALMA einen Weg zu selbstverbessernden KI‑Systemen, die sich kontinuierlich an neue Aufgaben anpassen können – ein bedeutender Schritt in Richtung wirklich adaptiver Agenten.