Meta AI запустила агента-наставника памяти: точность выросла на 8,3 п.п.

Meta AI опубликовала описание системы с двумя агентами, где вспомогательный агент-наставник ведёт структурированный банк памяти и решает, когда напоминать основному агенту об уже диагностированных ошибках. На двух бенчмарках система улучшила результаты на величину до 8,3 процентных пункта.

Почему агенты снова и снова повторяют одни ошибки

ИИ-агенты хорошо справляются с короткими инструкциями, но на длинных многошаговых задачах начинают «забывать» то, что уже выяснили. Агент может диагностировать проблему на пятом шаге, а через несколько итераций снова попытаться тот же провальный путь — детали вышли за горизонт его текущего внимания, и система уходит в петлю.

Это не абстрактная проблема. Типичный сценарий: агент обнаруживает, что определённый подход не работает, корректирует стратегию — но в ходе длинной задачи «забывает» об этом и возвращается к исходному неработающему шагу. Повторные циклы ошибок — одна из главных причин, по которым агенты пробуксовывают в реальных задачах: написании кода, исследованиях, многоэтапных автоматизациях.

Как устроен агент-наставник памяти

Meta AI решила эту проблему с помощью отдельной специализированной роли — агента-наставника памяти. Он не выполняет основную задачу, а ведёт структурированный банк данных о том, что пробовал и что обнаружил основной агент.

Вспомогательный агент фиксирует в банке памяти:

• уже диагностированные ошибки и их причины
• провальные шаги, от которых следует отказаться
• паттерны, которые раньше не давали результата
• актуальный контекст о состоянии задачи

Ключевая особенность системы — избирательность вмешательства. Агент-наставник не прерывает основного агента при каждом шаге. Он сам принимает решение: если ситуация требует напоминания — вмешаться, если риска нет — оставаться в тишине. Умение «молчать в нужный момент» оказалось не менее важным, чем само напоминание: постоянные прерывания перегрузили бы основного агента лишним контекстом и снизили бы эффективность.

«Специализированный агент-наставник поддерживает структурированный банк памяти и решает, когда напоминать основному агенту, а когда оставаться в тишине», — говорится в описании системы

Meta AI.

Насколько выросло качество по тестам

На двух бенчмарках система с агентом-наставником показала прирост до 8,3 процентных пункта по сравнению с одиночным агентом без механизма управления памятью. По данным Meta AI, испытания охватывали именно сложные многошаговые задачи — те сценарии, где одиночные агенты чаще всего теряют релевантный контекст и начинают зацикливаться.

Прирост в 8 с лишним процентных пунктов звучит скромно, но для агентных задач, где базовый уровень точности нередко составляет 40–60%, это существенный шаг вперёд. Конкретные названия использованных бенчмарков в опубликованном анонсе Meta AI не приводятся.

Что это значит

Архитектура «основной агент + тренер памяти» — практический ответ на один из ключевых изъянов современных ИИ-систем. Проблема не в недостатке «интеллекта» агента: он способен правильно диагностировать ошибки. Проблема — в отсутствии структурированного механизма, который удерживал бы эти диагнозы в рабочем контексте на протяжении длинной сессии.

Meta AI переносит управление памятью в отдельную специализированную роль — и показывает измеримый результат. Если подход окажется масштабируемым, он способен повысить надёжность агентов в реальных долгосрочных задачах: автоматизации кода, исследовательских пайплайнах, многоэтапных бизнес-процессах.

*Meta признана экстремистской организацией и запрещена в РФ.