🔥 Memora: агенты получают память на месяцы, сокращая контекст на 98% Сегодняшние LLM-агенты не помнят прошлых сессий: им приходится либо перечитывать весь диалог с нуля, либо терять детали при сжатии. Попытки совместить полноту и эффективность упирались в жёсткий компромисс между сохранением точных фактов и организацией памяти по мере её разрастания. Memora, представленная Microsoft Research на ICML 2026, ломает эту дилемму через «гармоническое» устройство — раздельное хранение богатого контента и легковесных структур для поиска. Каждая запись получает короткую (6–8 слов) первичную абстракцию — что она значит по сути — и полное текстовое значение. Поиск идёт только по абстракции, а гибкие «якоря-подсказки» (cue anchors), извлечённые из самого контента, дают альтернативные пути доступа. Специальный механизм поиска не возвращает фиксированный top-k, а итеративно уточняет запросы, переходит по якорям и отслеживает многозвенные связи — примерно как человек перебирает ассоциации, вспоминая контекст проекта недельной давности. В тестах LoCoMo (в среднем 600 реплик на диалог) и LongMemEval (контексты до 115 тысяч токенов) Memora показала 86,3% и 87,4% точности по оценке LLM-судьи, обойдя RAG, Mem0, Zep и даже полный контекстный вывод. При этом расход токенов упал на 98%, а число записей в памяти сократилось вдвое по сравнению с Mem0. Код выложен в открытый доступ, статья принята на ICML. Долговременная память снимает «амнезию» агентов, но создаёт новую поверхность атаки: отравление прошлого. Если злоумышленник протолкнёт ложную первичную абстракцию или искажённый якорь, агент будет систематически доставать отравленные «воспоминания» — не атака на модель, а на её опыт. Отравление памяти ещё не обсуждают всерьёз, но с выходом таких систем оно станет неизбежным. По данным Microsoft Research #Memora #AIagents #долговременная_память #ICML2026 #MicrosoftResearch