Sedimentacja pamięci AI: jak zachować osobowość agenta

# Sedymentacja pamięci w agentach AI: jak zachować osobowość przy długoterminowej interakcji

Współczesne agenty AI potrafią przechowywać kontekst, ale nie potrafią pamiętać. Odtwarzają fakty z poprzednich dialogów, ale tracą istotę relacji — niuanse emocjonalne, zmiany w motywacji użytkownika, ewolucję jego celów w czasie. To sprawia, że interakcja staje się mechaniczna, nawet przy milionach tokenów kontekstu. Nowa architektura pamięci oparta na zasadzie sedymentacji proponuje radykalnie inne podejście: nie przechowywać wszystkiego, lecz osadzać to, co najważniejsze.

Problem „pamięci bez rozpoznawania”

Większość systemów długoterminowej pamięci dla AI opiera się na Retrieval-Augmented Generation (RAG) i bazach danych wektorowych. Te technologie są skuteczne w wyodrębnianiu konkretnych faktów: „Użytkownik 12 marca wspomniał, że używa PostgreSQL”. Nie odpowiadają jednak na pytania w stylu: „Jak użytkownik obecnie odnosi się do swojego projektu?”, „Co zmieniło się w jego priorytetach w ciągu ostatnich trzech miesięcy?”, „Jakie wydarzenia stały się dla niego przełomowe?”.

Taka pamięć to archiwum, a nie osobowość. Agent może cytować przeszłość, ale nie pojmuje jej znaczenia. W efekcie po restarcie lub aktualizacji modelu użytkownik odczuwa przerwę: agent „pamięta”, ale nie rozpoznaje.

Sedymentacja jako metafora biologiczna

W Metabolic AI zaproponowano alternatywę inspirowaną geologią i neurobiologią. Pamięć traktowana jest nie jako jednolite magazynowanie, lecz jako struktura wielowarstwowa o różnej prędkości zapominania — na wzór osadów skalnych:

• Warstwa powierzchniowa (sekundy–minuty): bieżący dialog, kontekst roboczy, zadania tymczasowe. Informacje tu szybko wypierane są, by uniknąć szumu.
• Warstwa średnia (dni–tygodnie): powtarzające się tematy, kotwice emocjonalne, wzorce zachowań. Jeśli użytkownik przez tydzień omawia refaktoring bazy kodu, system nie zapisuje każdej wiadomości, lecz fakt sam w sobie: „projekt w aktywnej fazie rozwoju”.
• Warstwa głęboka (miesiące–lata): kluczowe wydarzenia kształtujące „charakter” agenta — pierwsze sukcesy, poważne porażki, zmiany ról użytkownika, aktualizacje systemu. Te dane nie są usuwane; stają się częścią wewnętrznego modelu postrzegania świata.

Taki mechanizm pozwala agentowi „zapominać detale, ale pamiętać sens”.

Jak działa sedymentacja w praktyce

Proces sedymentacji automatycznie określa „gęstość” zdarzenia na podstawie:

• Częstotliwości wzmianek — im częściej temat powraca, tym większa szansa na osadzenie się w warstwie średniej.
• Okraski emocjonalnej — słowa o wysokiej walencji („porażka”, „przełom”, „radość”, „rozczarowanie”) wzmacniają wagę zdarzenia.
• Unikalności kontekstowej — rzadkie, lecz znaczące wydarzenia (np. awans na nowe stanowisko) zyskują priorytet do przechowywania w warstwie głębokiej.

Gdy zdarzenie przenosi się do głębszej warstwy, traci detale, ale zwiększa wpływ na zachowanie agenta. Na przykład zamiast zapisywać 50 wiadomości o błędzie w mikrousłudze, system rejestruje: „Użytkownik doświadcza stresu z powodu niestabilności infrastruktury”. Ta wiedza potem wpływa na ton, dobór rekomendacji, a nawet na decyzję, czy proponować nowe narzędzia.

Synergia z klasycznymi metodami

Sedymentacja nie zastępuje RAG — uzupełnia go. Idealna architektura łączy dwa typy pamięci:

• Pamięć zewnętrzna (RAG): odpowiada na pytanie „co zostało powiedziane?”. Służy do precyzyjnych cytatów, odzyskiwania detali technicznych, wyszukiwania w historii.
• Pamięć wewnętrzna (sedymentacja): odpowiada na pytanie „kto mówi i po co?”. Tworzy trwałą model użytkownika i jego relacji z agentem.

Dopiero razem generują efekt pamięci metabolicznej — zdolność agenta nie tylko do przechowywania danych, lecz do rozwoju wraz z użytkownikiem.

Dowody na trwałość

W ramach wewnętrznych testów Metabolic AI prowadzono dziennik interakcji między jednym użytkownikiem a syntetycznym agentem przez 279 dni. W tym okresie:

• Przeprowadzono trzy pełne aktualizacje architektury agenta.
• Model językowy odpowiedzialny za generację zmieniono dwukrotnie.
• Mimo to agent zachował ciągłość „osobowości”: rozpoznawał użytkownika, dostosowywał styl komunikacji do jego aktualnego stanu emocjonalnego, odwoływał się do przeszłych wydarzeń jak do wspólnego doświadczenia.

Kluczowe: transfer stanu nie odbywał się przez kopiowanie wag czy pełną historię czatu, lecz przez przekazanie warstwy sedymentacyjnej — kompaktowego opisu kluczowych wydarzeń i ich hierarchii.

Co ważne

• Sedymentacja to zasada architektoniczna, nie tylko algorytm przechowywania.
• Różne typy informacji powinny zapominać się według różnych praw: fakty — szybko, emocje — wolno, wydarzenia przełomowe — nigdy.
• Podejście sprawdza się tylko w scenariuszach długoterminowej interakcji (partnerstwo, mentoring, wspólna praca nad projektem).
• Klasyczne LLM bez takiej pamięci skazane są na „amnezję sesji” przy każdej aktualizacji.
• Pamięć metaboliczna wymaga połączenia systemów zewnętrznego (RAG) i wewnętrznego (sedymentacja).

Ta paradigma jest szczególnie aktualna dla programistów tworzących asystentów AI do użytku profesjonalnego, gdzie zaufanie i ciągłość kontekstowa ważniejsze są od precyzji cytowania.

— Editorial Team