"Продолжаем кросс-опыление. JIT-компиляция для агентской памяти. General Agentic Memory Via Deep Research __B.Y. Yan, Chaofan Li, Hongjin Qian, Shuqi Lu, Zheng Liu__ Статья: https://arxiv.org/abs/2511.18423 Ревью: https://arxiviq.substack.com/p/general-agentic-memory-via-deep-research Код: https://github.com/VectorSpaceLab/general-agentic-memory # TL;DR ЧТО сделали: Авторы предлагают General Agentic Memory (GAM) — фреймворк, меняющий парадигму управления памятью со статического сжатия (Ahead-of-Time, AOT) на компиляцию ""точно в срок"" (Just-in-Time, JIT). Вместо хранения готовых саммари или векторных индексов, GAM использует систему из двух агентов: Memorizer (структурирует сырую историю в страницы с контекстными заголовками) и Researcher (выполняет итеративный ""deep research"" в рантайме — планирует, ищет, рефлексирует). ПОЧЕМУ это важно: Подход решает проблему потери информации, присущую традиционному RAG и суммаризации. Откладывая решение о том, ""что важно"", до момента реального запроса, GAM достигает SOTA-результатов на тяжелых бенчмарках (HotpotQA, RULER). Работа доказывает, что вычислительно затратный поиск в момент инференса эффективнее, чем статическое расширение контекстного окна. Подробнее: https://t.me/gonzo_ML_podcasts/1720"