Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States
Aggiunta all'archivio di AIChronos il (numero del 2 ottobre 2026 ricostruito)· fonte del · Yu Luo, Jiamin Jiang, Yimin Zuo, Xidao Wen, Rongchen Gao, Yongqian Sun (alibaba)
Il paper introduce PoS, un framework per l'inference che costruisce e mantiene stati di credenza espliciti come contesto decisionale per gli agenti LLM. Ogni stato combina una stima dello stato del mondo con i requisiti del task irrisolti, rendendo esplicite le lacune conoscitive dell'agente. Il sistema valida la coerenza e monitora il progresso per rilevare e recuperare da situazioni di 'Belief Trapping', dove l'agente agisce senza fare progressi significativi.
- PoS trasforma la gestione della memoria storica in una costruzione attiva dello stato del mondo tramite stati di credenza espliciti.
- Il framework integra un meccanismo di validazione della coerenza per garantire l'affidabilità delle decisioni dell'agente nel tempo.
- Le strategie di recupero sono personalizzate in base al pattern di intrappolamento e al tipo specifico di requisito del task non ancora soddisfatto.
- Gli esperimenti su quattro benchmark dimostrano che PoS supera le prestazioni degli altri metodi con tre diversi backbone LLM.
- L'approccio mostra resilienza alla crescita del contesto, superando i limiti della semplice ritenzione o compressione storica.
Perché conta. Per gli sviluppatori di agenti e AI locale, PoS offre un fondamento solido per gestire contesti a lungo termine oltre la mera memorizzazione, riducendo il rischio che l'agente si perda in loop operativi senza progresso.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.