Adaptive Memory Admission Control: Mehr Kontrolle für LLM-Agenten

In der rasanten Entwicklung von KI-Agenten wird die Fähigkeit, langfristige Erinnerungen zu nutzen, immer wichtiger. Doch bislang fehlt es den Systemen an klaren Regeln, welche Informationen tatsächlich gespeichert werden sollen. Oft sammeln Agenten riesige Mengen an Konversationen, inklusive Halluzinationen oder veralteter Fakten, oder verlassen sich auf undurchsichtige, vollständig LLM-gesteuerte Speicherstrategien, die schwer zu überwachen und teuer sind.

Die neue Methode namens Adaptive Memory Admission Control (A‑MAC) behandelt die Auswahl von Speicherinhalten als strukturiertes Entscheidungsproblem. Dabei werden fünf interpretierbare Faktoren berücksichtigt: zukünftiger Nutzen, faktische Zuverlässigkeit, semantische Neuheit, zeitliche Aktualität und eine Priorisierung nach Inhaltstyp. A‑MAC kombiniert leichte regelbasierte Merkmalsextraktion mit einer einzigen LLM‑unterstützten Nutzenbewertung und lernt domänenangepasste Speicherentscheidungen durch Kreuzvalidierung.

Tests auf dem LoCoMo-Benchmark zeigen, dass A‑MAC die Balance zwischen Präzision und Rückruf deutlich verbessert – der F1‑Score steigt auf 0,583, während die Latenz um 31 % gegenüber führenden LLM‑basierten Speicherlösungen reduziert wird. Eine Ablationsanalyse verdeutlicht, dass die Priorisierung des Inhaltstyps der entscheidendste Faktor für eine zuverlässige Speicherwahl ist. Diese Ergebnisse unterstreichen, dass explizite und nachvollziehbare Speichersteuerung ein zentrales Designprinzip für skalierbare KI-Agenten ist.