MemoryLake
エンジニア & 開発者ReActスタイルエージェントループのための記憶

ReActエージェントループにすべての思考、行動、観察の記憶を与える

ReAct(Reason + Act)ループは思考を生成し、行動を取り、結果を観察し、繰り返します。各反復は通常、以前の反復が必要としたコンテキストをフラッシュします。MemoryLakeはReActエージェントに反復、セッション、実行を通じて持続的な記憶を提供します。

Day 1“ReAct(Reason +”“Act)ループは思考を生成し、行動を取り、結果を観察し、繰り返します。各反復は通常、以前の反復が必要としたコンテキストをフラッシュします。MemoryLakeはReActエージェントに反復、”✓ Got it, I will remember.Day 7 — new session“Same task again — can you keep the context?”× Sure — what was the context again?(forgot every detail you taught it)+ MEMORYLAKE LAYERMemory auto-loaded反復ごとのコミット記憶反復間の取得反復間で固定された目標記憶SESSION OUTPUT✓ Same prompt, on-brand answerNo re-briefing required.

ReActエージェントループにすべての思考、行動、観察の記憶を与える

無料で始める

永続無料 · クレジットカード不要

問題: ReActの反復は思考ステップ間でコンテキストを失う

長いReActトレースの20回目の反復では、元の目標が言い換えられ、初期の観察が要約され、エージェントは自らの発見の第三世代のコピーに基づいて推論しています。ReActは理論上は強力ですが、持続的な記憶がないと実践では損失が生じます。

MemoryLakeがReActループをサポートする方法

反復ごとのコミット記憶

反復ごとのコミット記憶

各思考/行動/観察のトリプレットが型付き記憶として保存されます。

MEMORY反復間の取得

反復間の取得

後のステップが特定の以前の思考や観察を取得します。

MEMORY反復間で固定された目標記憶

反復間で固定された目標記憶

ピン留めされた元の目標が漂流を防ぎます。

実行間の反射記憶

実行間の反射記憶

以前の実行からのパターンが現在の計画に影響を与えます。

無料で始める

永続無料 · クレジットカード不要

ReAct記憶の仕組み

  1. 接続 — MemoryLakeをReActループのコミットステップに接続します。
  2. 構造化 — 各思考/行動/観察が型付き記憶になります。
  3. 再利用 — 後の反復が関連性に基づいて特定の以前のステップを取得します。

前後の比較: ReActループの記憶

Without MemoryLakeWith MemoryLake
Iteration 20 sees iteration 1's observationParaphrasedRetrieved verbatim
Cross-run learningNoneReflection memory
Goal preservationDriftsPinned
Audit reasoning chainLimited logsMemory provenance

対象者

生産環境でReActスタイルのエージェントを運用しているチーム — 研究エージェント、ブラウジングエージェント、コーディングエージェント — 反復回数が増えるにつれてループの質が低下する場合。

実行できるデモ約 4 分

このユースケースを自分のアカウントで試す

Tarnwick の調査エージェントは、チェックアウトのレイテンシ障害に ReAct ループで取り組みます。5 回のアクションで 4 つの容疑(コールドな Redis キャッシュ、決済ゲートウェイの接続プール、fraud-scorer サイドカー、DNS)を除外し、手がかりを 1 つ見つけたところでステップ上限に達します。次の実行はまず、調査で何が確定したかをメモリに尋ねます。スクラッチパッドをテキストとして渡すと、MemoryLake の抽出は手がかりを毎回残しましたが、除外の結論は 0/32 しか残らず、再開後の計画は 96 件の選択のうち 26 件で行き止まりを再調査しました。イテレーションごとに fact add で型付きの記録を書くとすべて残り、計画は行き止まりを一度も繰り返しませんでした。ただし誰も調べていない 2 つの容疑について尋ねると、モデルは 29/47 回「すでに除外済み」と答えました。「ほかは何も除外していない」というカバレッジ記録を 1 件加えると 0/48 になりました。

見られるもの

  • 同じループの 5 通りの保存方法:Thought を TEXT にし TOOL_USE / TOOL_RESULT ブロックを添える、スクラッチパッドを TEXT にする、同じく各結論を明言する("… so X is ruled out")、イテレーションごとに fact add の記録、記録にカバレッジ記録を加える
  • 再開した実行は memorylake router chat --boundary で尋ねます:「次の 4 アクションを選ぶ」、そして調べた 4 つと調べていない 2 つの容疑について「調査はすでに X を除外したか?」。メモリなしのアームを ∅ の基準にします
  • 8 回の実行で、メモリに残った除外:ツールブロック 0/32、スクラッチパッド 0/32、結論を明言 28/32、記録 32/32。メモリに結論がないのに Yes と答えたものは推測として採点し、記憶とは数えません
  • memory サブコマンドで各アームが各容疑について何を覚えているかを表示し、ask queries で逆の質問を全アームに投げられます。ローカルの Web UI もあります

必要なもの: MemoryLake の API キー · memorylake CLI · Python 3.9 以上

実行する

git clone https://github.com/memorylake-ai/memorylake-usecases.git
cd memorylake-usecases/ruled-out-memory
export MEMORYLAKE_API_KEY=sk-…
python3 demo.py          # or: python3 web/server.py

動作を見る · 実際の録画、未編集

関連するユースケース

よくある質問

タイトなReActループでのレイテンシは?

単桁ミリ秒の取得; 無視できる。

長いReActトレースのストレージコストは?

デルタエンコードされたコミットによりオーバーヘッドが低く保たれます。

セルフホストは可能ですか?

はい — エンタープライズティアはあなたのVPCにデプロイします。