นักวิจัยจากมหาวิทยาลัยแห่งชาติสิงคโปร์พัฒนา MRAgent เฟรมเวิร์กใหม่ที่เปลี่ยนวิธีจัดการหน่วยความจำของ AI Agent จากระบบ "ค้นหาแล้วคิด" แบบเดิม เป็นระบบ "สร้างหน่วยความจำเชิงรุก" ที่มีประสิทธิภาพสูงกว่าอย่างมีนัยสำคัญ
ปัญหาของระบบหน่วยความจำแบบเดิม
ระบบ AI Agent ในปัจจุบันใช้วิธี "retrieve-then-reason" คือค้นหาข้อมูลก่อน แล้วค่อยคิด ซึ่งมีข้อจำกัดสำคัญ 3 ข้อ:
- ไม่สามารถแก้ไขกลยุทธ์การค้นหาระหว่างที่กำลังคิดอยู่ได้
- คะแนนความคล้ายคลึงแบบตายตัวทำให้ได้ข้อมูลที่ไม่เกี่ยวข้องจำนวนมาก
- โครงสร้างที่สร้างไว้ล่วงหน้าจำกัดความยืดหยุ่นในการทำงาน
MRAgent ทำงานอย่างไร?
MRAgent (Memory Reasoning Architecture for LLM Agents) เปลี่ยนหน่วยความจำจาก "ฐานข้อมูลแบบคงที่" เป็น "สภาพแวดล้อมแบบโต้ตอบ" เมื่อ Agent ได้รับคำถามที่ซับซ้อน จะใช้ความสามารถของ LLM ในการสำรวจเส้นทางการค้นหาหลายเส้นทางพร้อมกัน
ระบบนี้จัดระเบียบฐานข้อมูลด้วยกลไก "Cue-Tag-Content" ซึ่งทำงานเป็นกราฟเชื่อมโยง 3 ชั้น:
- Cues — คำสำคัญระดับละเอียด เช่น ชื่อบุคคลหรือบริบท
- Tags — สะพานเชิงความหมายที่สรุปความสัมพันธ์ระหว่าง Cues และ Content
- Content — หน่วยความจำจริง แบ่งเป็น episodic memory (เหตุการณ์) และ semantic memory (ข้อเท็จจริง)
ผลลัพธ์ที่น่าทึ่ง
เมื่อเทียบกับ LangMem ที่ใช้มากถึง 3.26 ล้าน token ต่อการค้นหา MRAgent สามารถ:
- ลดการใช้ token ลงสูงสุด 27 เท่า
- ลดเวลาทำงานลงครึ่งหนึ่ง
- รักษาความถูกต้องของข้อมูลได้ดีกว่า
ตัวอย่างเช่น เมื่อถามว่า "Nate ใช้เงินรางวัลอย่างไรเมื่อเขาชนะการแข่งวิดีโอเกมครั้งที่สาม?" MRAgent จะค่อยๆ ติดตามเบาะแสจาก "Nate" → "การแข่งวิดีโอเกม" → "ชัยชนะ" → ค้นหาหน่วยความจำที่เกี่ยวข้องอย่างแม่นยำ
แหล่งข่าว: VentureBeat — 26 มิถุนายน 2026
