พื้นที่จัดเก็บมีราคาถูก แต่ความสนใจมีราคาแพง คุณกำลังใช้ระบบที่ใช้ประโยชน์จากความแตกต่างนี้อยู่หรือไม่ ?

ความไม่สมมาตรที่ทำให้การแบ่งชั้น (tiering) คุ้มค่า

หากคุณเปลี่ยนแปลงสิ่งหนึ่งเกี่ยวกับการออกแบบหน่วยความจำของ agent จงเปลี่ยนสิ่งนี้: หยุดปฏิบัติต่อต้นทุนการจัดเก็บและต้นทุนความสนใจราวกับว่ามันเป็นสิ่งเดียวกัน

ฉันได้เจาะลึกเรื่องนี้ใน 19 ระบบ และสิ่งที่พบซ้ำๆ ก็คือ ระบบที่จัดการหน่วยความจำได้ดีนั้นไม่จำเป็นต้องเป็นระบบที่มีการดึงข้อมูลที่ซับซ้อนที่สุด แต่เป็นระบบที่รู้ว่าหน่วยความจำใดควรอยู่ใน prompt และหน่วยความจำใดไม่ควร นั่นเป็นปัญหาที่แตกต่าง และมีวิธีแก้ที่แตกต่างกัน

การจัดเก็บนั้นถูก การใส่ใจ (attention) นั้นแพง โมเดลที่มีบริบท 128k ที่อ่านเนื้อหาคุณภาพปานกลาง 110k นั้นไม่ได้ดีกว่าโมเดลเดียวกันที่อ่านเนื้อหาที่คัดสรรมาอย่างดี 8k งานวิจัยเกี่ยวกับเรื่องนี้สอดคล้องกัน: คุณภาพการดึงข้อมูลลดลงเมื่อบริบทเต็มไปด้วยสัญญาณรบกวน และการลดลงนั้นไม่เป็นเส้นตรง โมเดลไม่ได้แค่ละเว้นเนื้อหาที่ไม่เกี่ยวข้อง แต่โมเดลประมวลผลมัน และการประมวลผลนั้นกลบสัญญาณที่สำคัญ

การจัดเก็บไม่มีคุณสมบัตินี้ ข้อมูลที่อยู่ในฐานข้อมูลไม่มีค่าใช้จ่ายในการเก็บรักษา ต้นทุนจะเกิดขึ้นเมื่อคุณดึงข้อมูลและโหลดเข้าสู่ prompt เท่านั้น ซึ่งหมายความว่าคำถามไม่ใช่ "ฉันควรเก็บสิ่งนี้ไหม?" แต่เป็น "ฉันควรดึงสิ่งนี้มาใช้หรือไม่ และถ้าควร จะดึงเมื่อไหร่?"

การปรับกรอบความคิดใหม่นี้คือที่มาของการแบ่งชั้น (tiering) รายการหน่วยความจำที่แตกต่างกันมีรูปแบบการเข้าถึง (access patterns) ที่แตกต่างกัน บางสิ่งที่ agent ต้องการทุกครั้งที่โต้ตอบ: ชื่อผู้ใช้ โปรเจกต์ปัจจุบัน ความชอบที่ระบุไว้ บางสิ่งที่ต้องการบ่อยแต่ไม่เสมอไป: การตัดสินใจล่าสุด คำถามที่ยังค้างอยู่ ข้อเท็จจริงเชิงเหตุการณ์ (episodic facts) จากสองสามเซสชันล่าสุด บางสิ่งที่ควรค้นหาได้เมื่อต้องการ แต่ไม่ควรเป็นภาระทุกครั้งที่โต้ตอบ: บันทึกการประชุมจากสามเดือนก่อน งานที่เสร็จสมบูรณ์ บทถอดความดิบ เอกสารอ้างอิงที่ใช้ครั้งเดียว

พื้นที่จัดเก็บแบบแบน (flat store) ปฏิบัติต่อทั้งสามประเภทเหมือนกัน รายการที่ร้อน (hot items) ต้องจ่ายต้นทุนการค้นหาของรายการที่เย็น (cold items) รายการที่เย็นทำให้ prompt พองตัวด้วยสัญญาณรบกวน ไม่มีกลไกให้รายการเลื่อนขั้น (graduate) เมื่อมีความเกี่ยวข้องมากขึ้น และไม่มีกลไกให้รายการเลื่อนตัว (age out) เมื่อมีความเกี่ยวข้องน้อยลง การเปรียบเทียบกับระบบปฏิบัติการ (OS) นั้นตรงเป๊ะ: CPU มี L1, L2, L3, RAM, SSD และ disk ไม่ใช่เพราะไบต์ต่างกัน แต่เพราะความถี่ในการเข้าถึงแตกต่างกันเป็นลำดับชั้น ใน 19 ระบบที่ฉันศึกษา มี 7 ระบบที่สร้างการแบ่งชั้นอย่างชัดเจนแล้วก่อนที่ฉันจะเริ่มดู สองระบบในนั้นควรทำความเข้าใจในรายละเอียด

MemoryOS ในฐานะการนำอ้างอิง (reference implementation)

MemoryOS คือการนำหน่วยความจำแบบแบ่งชั้นที่ชัดเจนที่สุดใน 19 ระบบ สามชั้น แต่ละชั้นมีรูปแบบข้อมูล (data shape) ที่แตกต่างกัน วงเงินเวลาแฝง (latency budget) ที่แตกต่างกัน และบทบาทที่แตกต่างกัน

ชั้นระยะสั้น (short-term tier) คือ deque ของ Python ที่มีความยาวสูงสุด 10 คู่ถาม-ตอบ ไม่มีการทำ embedding ไม่มีดัชนีค้นหา ไม่มีการติดตามความร้อน (heat tracking) มันเป็นวัตถุดิบเชิงสนทนาล้วนๆ สิบการแลกเปลี่ยนล่าสุด สามารถเข้าถึงได้ในระดับไมโครวินาที เมื่อ deque เต็ม คู่ที่เก่าที่สุดจะระบายลงสู่ชั้นกลาง (mid-term tier)

ชั้นกลางเก็บได้สูงสุด 2000 เซสชัน แต่ละเซสชันมี summary, embedding, ชุดคำค้น (keyword set) และตัวนับความร้อน (heat counters) ชั้นนี้ถูกทำดัชนีด้วย Faiss และค้นหาด้วย cosine similarity เมื่อชั้นเต็ม เซสชันที่เย็นที่สุดจะถูกขับออก (evicted) เมื่อเซสชันร้อนพอ เซสชันนั้นจะถูกเลื่อนขั้น (promoted) ไปยังชั้นระยะยาว (long-term tier)

ชั้นระยะยาวคือ schema ด้านจิตวิทยาและการจัดแนว (psychology and alignment schema) 90 มิติ, deque ฐานความรู้สองอัน อันหนึ่งสำหรับข้อเท็จจริงของผู้ใช้ และอีกอันสำหรับข้อเท็จจริงของผู้ช่วย แต่ละอันจำกัดที่ 100 รายการ นี่คือชั้นถาวร (persistent layer) ที่อยู่รอดข้ามเซสชันและพกพาโมเดลที่ทนทาน (durable model) ของผู้ใช้

สูตรความร้อนที่ควบคุมการเลื่อนขั้นคือโค้ด Python สิบสองบรรทัด สามสัญญาณ: ความถี่ในการเข้าชม (visit frequency) ซึ่งเป็นรูปแบบของ LFU; ความลึกของการโต้ตอบ (interaction depth) ซึ่งเป็นตัวแทนของการมีส่วนร่วมเชิงหัวข้อ (topical engagement); และการลดลงตามเวลา (recency decay) แบบเอกซ์โพเนนเชียลที่มีครึ่งชีวิต 24 ชั่วโมง ส่วนของข้อมูล (segment) จะข้ามเกณฑ์การเลื่อนขั้นที่ 5.0 หลังจากเลื่อนขั้น ตัวนับการเข้าชมและการโต้ตอบจะรีเซ็ตเป็นศูนย์ และความร้อนจะลดลงเหลือประมาณ 1.0

การตัดสินใจออกแบบที่มองข้ามได้ง่าย: ความร้อนควบคุมการเลื่อนขั้น ไม่ใช่การดึงข้อมูล (retrieval) โปรแกรมดึงข้อมูลเป็นแบบเชิงความหมายล้วนๆ (purely semantic) คือ cosine similarity กับ embeddings ของชั้นกลาง ความร้อนเป็นสัญญาณพื้นหลังที่ตัดสินใจว่าส่วนของข้อมูลควรเลื่อนขั้นไปยังชั้นระยะยาวหรือไม่ สองเรื่องนี้ถูกแยกออกจากกัน (decoupled) และการแยกนั้นสำคัญกว่าสูตรเอง

สิ่งที่ MemoryOS ทิ้งไว้บนโต๊ะนั้นควรค่าแก่การกล่าวถึง ค่าสัมประสิทธิ์ถูกฮาร์ดโค้ดไว้ที่ 1.0 ไม่มีกลไกในการเรียนรู้น้ำหนักจากรูปแบบการใช้งานจริง ไม่มีทางเลื่อนลง (demotion path); เมื่อสิ่งใดไปถึงชั้นระยะยาวแล้ว มันจะอยู่ตรงนั้นตลอดไป และสูตรนั้นปรับให้เหมาะสมกับความถี่มากกว่าความสำคัญ ข้อเท็จจริงที่สำคัญแต่เกิดขึ้นน้อย เช่น ชื่อของคู่ครอง โรคประจำตัว ข้อจำกัดที่แข็ง อาจไม่เคยข้ามเกณฑ์การเลื่อนขั้นหากปรากฏเพียงครั้งเดียว เมื่อชั้นกลางขับส่วนของข้อมูลนั้นออก ข้อเท็จจริงนั้นก็หายไป

ชั้นที่มาจากทฤษฎีของ Hindsight

Hindsight มาถึงโครงสร้างสามชั้นเดียวกันจากจุดเริ่มต้นที่ต่างกันโดยสิ้นเชิง ในขณะที่ MemoryOS ยืมทฤษฎีจาก OS cache theory Hindsight ยืมจาก Cognitive Science

สามชั้นคือ World, Experience และ Observations World ถือข้อเท็จจริงเชิงวัตถุ (objective claims) เกี่ยวกับจักรวาล ความจริงพื้นฐาน (ground truth) เปิดอยู่เสมอ อายุยืน Experience ถือการกระทำในมุมมองบุคคลที่หนึ่งของระบบเอง บันทึกเหตุการณ์ (episodic record) Observations ถือความเชื่อที่กลั่นกรอง (consolidated beliefs) ที่ได้จากข้อเท็จจริงของ World และ Experience พร้อมกับ ID หน่วยความจำต้นทาง จำนวนการพิสูจน์ (proof count) และฟิลด์ประวัติ (history field) ที่ติดตามว่าความเชื่อนั้นพัฒนาไปอย่างไร

ทั้งสามชั้นอยู่ในตารางฐานข้อมูลเดียวกัน แยกความแตกต่างด้วยตัวแยกประเภทข้อเท็จจริง (fact-type discriminator) ดัชนี HNSW บางส่วนถูกสร้างตามประเภทข้อเท็จจริง Schema เป็นแบบเดียวกัน; รูปแบบการเข้าถึงไม่เป็น

การเลื่อนขั้นใน Hindsight ไม่ได้ขับเคลื่อนด้วยตัวนับ แต่เป็นการรวบรวม (consolidation) ที่ขับเคลื่อนด้วย LLM เป็นชุด เมื่อมีข้อเท็จจริงใหม่ถูกเขียน มันจะถูกจัดคิวในตารางการทำงานแบบอะซิงก์ (async operations table) เวิร์กเกอร์เบื้องหลัง (background worker) จะดึงข้อเท็จจริงใหม่พร้อมกับ observation ที่มีอยู่ซึ่งทับซ้อนกัน สร้าง prompt แบบ batch และถามโมเดลให้สร้าง อัปเดต และลบ หน่วยความจำต้นทางจะถูกประทับตรา consolidated-at เพื่อป้องกันการประมวลผลซ้ำ ทุกข้อเท็จจริงใหม่ ไม่ว่าจะถูกเข้าถึงบ่อยแค่ไหน ก็จะถูกพิจารณาเลื่อนขั้นไปยังชั้น Observations

นั่นคือความแตกต่างหลักจาก MemoryOS โดยการเชื่อมโยงการเลื่อนขั้นชั้นบนกับการรวบรวม (consolidation) แทนที่จะเป็นความร้อน Hindsight หลีกเลี่ยงจุดบอดสำหรับข้อเท็จจริงที่สำคัญแต่เกิดขึ้นน้อย การรวบรวมเพียงครั้งเดียวจะพิจารณาทุกข้อเท็จจริงใหม่ ความถี่ไม่เกี่ยวข้องกับการเลื่อนขั้น

พูดง่ายๆ: สองระบบ หลักการแรกต่างกัน ภาษาในการนำไปใช้ต่างกัน กรณีการใช้งานเป้าหมายต่างกัน และทั้งสองมีสามชั้นโดยมีวัตถุดิบอยู่ด้านล่าง ชั้นทำงานอยู่ตรงกลาง และชั้นสังเคราะห์ถาวรอยู่ด้านบน ทั้งสองใช้การเลื่อนขั้นแบบอะซิงก์ ทั้งสองมีที่มาที่ไป (provenance) กลับไปยังชั้นล่าง นี่คือสิ่งที่วิวัฒนาการแบบลู่เข้า (convergent evolution) ในสถาปัตยกรรมซอฟต์แวร์ดูเหมือน และเป็นสัญญาณที่แข็งแกร่งที่สุดที่ฉันรู้ว่าลวดลาย (pattern) นี้เป็นโครงสร้างที่รับน้ำหนัก (load-bearing)

การแบ่งชั้นตามประเภทเนื้อหา (genre-conditioned tiering) ของ @supermemory

supermemory ทำงานในรูปแบบการปรับใช้ API แบบจัดการ (managed API deployment shape) ซึ่งเปลี่ยนแปลงการนำไปใช้โดยไม่เปลี่ยนสถาปัตยกรรม สามชั้นคือ โปรไฟล์คงที่ (static profile), โปรไฟล์ไดนามิก (dynamic profile) และคลังเอกสารและชิ้นส่วน (document and chunk store)

โปรไฟล์คงที่เก็บข้อเท็จจริงระยะยาวที่คงที่ (stable long-term facts) ซึ่งเป็นชั้นร้อน (hot tier) มันถูกส่งกลับเป็นอาร์เรย์คงที่จาก endpoint ของโปรไฟล์ ถูกแคชที่ edge โดยมีวงเงินเวลาแฝงประมาณ 50ms โปรไฟล์ไดนามิกเก็บบริบทล่าสุดและเชิงเหตุการณ์ (recent and episodic context) ซึ่งเป็นชั้นอุ่น (warm tier) หลายรายการมีฟิลด์ forgetAfter ที่กำหนด TTL คลังเอกสารและชิ้นส่วนคือชั้นเย็น (cold tier) ที่สอบถามผ่าน endpoint ค้นหาเมื่อต้องการ

การกำหนดชั้นเกิดขึ้นในเวลาที่เขียน (write time) LLM แยกข้อมูลจะจำแนกหน่วยความจำที่เข้ามาแต่ละรายการด้วย isStatic boolean และอาจมีค่า forgetAfter การจำแนกถูกบังคับใช้โดย closed extraction prompt ที่เหมือนกันสำหรับผู้บริโภคทั้งหมด

รูปแบบการปรับใช้ API แบบจัดการเปิดใช้งานสามสิ่งที่นักออกแบบแบบ in-process ไม่สามารถคัดลอกได้โดยตรง แต่ควรเข้าใจ ข้อมูลชั้นเย็นสามารถอยู่บนฮาร์ดแวร์ที่ถูกกว่า เช่น object storage สำหรับไบต์ดิบ, relational store มาตรฐานสำหรับ metadata และ chunks โดยที่โปรไฟล์ร้อนถูกแคชแยกต่างหากที่ edge ชั้นร้อนมี endpoint ของตัวเองพร้อม SLA ของตัวเอง แยกจากเส้นทางการค้นหา (search path) และ prompt การแยกข้อมูลเป็นแบบรวมศูนย์ ซึ่งหมายความว่าการกำหนดชั้นมีความสอดคล้องในแบบที่การจำแนกต่อ agent ไม่ค่อยเป็น

การแลกเปลี่ยน (trade-offs) เป็นจริง ชั้นร้อนระยะไกลจะเร็วก็ต่อเมื่อเครือข่ายเร็ว Agent ไม่สามารถแทนที่การจำแนกชั้นของเอนจินได้ Prompt การแยกข้อมูลเป็นกล่องดำ แต่ลวดลายทางสถาปัตยกรรม (ชั้นร้อนเป็น endpoint ของตัวเอง, ชั้นเย็นบนฮาร์ดแวร์ที่ถูกกว่า, การกำหนดชั้นในเวลาที่เขียน) นั้นคุ้มค่าต่อการคัดลอกแม้ว่ารูปแบบการปรับใช้จะไม่เหมือน

การเลื่อนขั้นเทียบกับประเภทตายตัว (fixed typology)

mem9 คือกรณีเปรียบเทียบที่ชี้แจงว่าการแบ่งชั้นไม่ใช่สิ่งใด

mem9 มีคอลัมน์ประเภทหน่วยความจำที่มีสามค่า: pinned, insight และ digest หน่วยความจำแบบ pinned ถูกกำหนดโดยเส้นทางการเขียนเนื้อหาที่ชัดเจน (explicit content-write paths) สร้างขึ้นด้วยตนเอง ได้รับการปกป้องจากการกระทบยอดของ LLM (LLM reconciliation) หน่วยความจำแบบ insight ถูกกำหนดโดยทุกการเขียนที่ LLM แยกออกมา เปลี่ยนแปลงได้ มีเวอร์ชัน และถูกแทนที่ได้ ทั้งสองมีส่วนร่วมในการเรียกคืนแบบไฮบริดเดียวกัน (hybrid recall) กับคะแนน RRF เดียวกัน ฟิลด์ประเภทเป็นแฟล็กป้องกันการเขียน (write-protection flag) ไม่ใช่ตัวกรองการดึงข้อมูลและไม่ใช่สัญญาณชั้น

นี่คือการจัดประเภท (typology) ไม่ใช่การแบ่งชั้น (tiering) ความแตกต่างนี้สำคัญเพราะทั้งสองสับสนได้ง่าย การจัดประเภทอธิบายการกำกับดูแล (governance): ใครสามารถเปลี่ยนแปลงหน่วยความจำนี้ได้ ภายใต้เงื่อนไขใด การแบ่งชั้นอธิบายรูปแบบการเข้าถึง: หน่วยความจำนี้ต้องการบ่อยแค่ไหน และรูปแบบการจัดเก็บใดที่ตอบสนองความถี่นั้นได้ดีที่สุด ระบบสามารถมีทั้งสองอย่าง isStatic ของ supermemory เป็นสัญญาณชั้น ในขณะที่แฟล็ก isInference แยกต่างหากนั้นใกล้เคียงกับคลาสการกำกับดูแลมากกว่า แต่การทำให้ทั้งสองสับสนกันก่อให้เกิดความคลุมเครือมากที่สุดในทางปฏิบัติ

หากคุณพบว่าตัวเองกำลังเพิ่มฟิลด์ประเภทให้กับแถวหน่วยความจำของคุณ คำถามที่ต้องถามคือ ฟิลด์นั้นอธิบายรูปแบบการเข้าถึงหรือคลาสการกำกับดูแล หากเป็นรูปแบบการเข้าถึง คุณกำลังสร้างการแบ่งชั้น หากเป็นคลาสการกำกับดูแล คุณกำลังสร้างการจัดประเภท ทั้งสองมีประโยชน์ มันไม่ใช่สิ่งเดียวกัน

การจัดเก็บแบบแบนทำให้คุณเสียอะไร

สิ่งที่เป็นรูปธรรมสี่อย่างตามมาจากการรันพื้นที่จัดเก็บหน่วยความจำแบบแบน

เส้นทางร้อน (hot path) จ่ายต้นทุนการค้นหาของเส้นทางเย็น (cold path) ทุกการดึงข้อมูลจะสแกนดัชนีเดียวกันกับรายการเดียวกัน Agent ที่ค้นหาชื่อผู้ใช้จ่ายต้นทุนการค้นหาเท่ากับ Agent ที่ค้นหาบันทึกการประชุมจากหกเดือนก่อน ในระดับเล็กสิ่งนี้มองไม่เห็น ในระดับใหญ่ มันเป็นปัญหาเวลาแฝง

เส้นทางเย็นทำให้ prompt พองตัวด้วยสัญญาณรบกวน การดึงข้อมูลส่งคืนรายการที่มีความใกล้เคียงเชิงความหมาย (semantically near) ซึ่งรวมถึงบริบทที่คงอยู่ ข้อเท็จจริงที่ถูกแทนที่ และเนื้อหาที่ถูกต้องตามข้อเท็จจริงแต่ไม่เกี่ยวข้องกับการโต้ตอบปัจจุบัน โมเดลประมวลผลทั้งหมด อัตราส่วนสัญญาณต่อสัญญาณรบกวนในหน้าต่างบริบทลดลงเมื่อพื้นที่จัดเก็บโตขึ้น

ไม่มีกลไกให้รายการเลื่อนขั้น หน่วยความจำไม่คงที่ ข้อเท็จจริงเชิงเหตุการณ์ที่ผ่านไปอย่างรวดเร็วตั้งแต่ช่วงต้นของความสัมพันธ์อาจกลายเป็นสัญญาณที่คงทนเกี่ยวกับความชอบหรือข้อจำกัดของผู้ใช้เมื่อเวลาผ่านไป พื้นที่จัดเก็บแบบแบนไม่มีกลไกในการสังเกตเห็นการเปลี่ยนแปลงนั้น รายการยังคงอยู่ในรูปแบบการจัดเก็บเดียวกันกับที่ถูกเขียนขึ้น ไม่ว่าระดับความเกี่ยวข้องจะเปลี่ยนไปอย่างไร

ไม่มีกลไกให้รายการเลื่อนตัว การเลื่อนลง (demotion) ไม่ใช่การลบ พื้นที่จัดเก็บแบบแบนที่ต้องการลบเนื้อหาที่เก่าแก่ (stale) ต้องลบมัน พื้นที่จัดเก็บแบบแบ่งชั้นสามารถย้ายไปยังรูปแบบที่เย็นกว่า ยังคงค้นหาได้ ไม่ต้องเป็นภาระต่อเส้นทางร้อนอีกต่อไป พื้นที่จัดเก็บแบบแบนบังคับให้เลือกแบบไบนารีที่พื้นที่จัดเก็บแบบแบ่งชั้นไม่ต้อง

ผลลัพธ์สุทธิ

18 จาก 19 ระบบใช้การแบ่งชั้น พยักหน้าให้มัน หรือมีคำแนะนำที่ชัดเจนสำหรับมัน ข้อยกเว้นคือ mem9 ซึ่งมีชั้นการจัดประเภทที่แก้ปัญหาอื่นที่แตกต่าง และจะได้รับประโยชน์จากการแบ่งชั้นที่อยู่ด้านบน

หากคุณกำลังสร้างหน่วยความจำ Agent ตั้งแต่ต้น ความก้าวหน้าที่ 19 ระบบชี้ให้เห็นคือ: ระบุสิ่งที่ Agent ต้องการทุกครั้งที่โต้ตอบ นั่นคือชั้นร้อนของคุณ ระบุสิ่งที่ต้องการบ่อยแต่ไม่เสมอไป นั่นคือชั้นอุ่นของคุณ ระบุสิ่งที่ควรหาได้เมื่อต้องการ แต่ไม่ควรเป็นภาระทุกครั้งที่โต้ตอบ นั่นคือชั้นเย็นของคุณ เลือกกลไกการเลื่อนขั้น: แบบใช้ความร้อน (heat-based) เช่น MemoryOS, แบบใช้การตัดสินของ LLM (LLM-judgement) เช่น Hindsight, หรือแบบจำแนกในเวลาสกัด (extraction-time classification) เช่น supermemory เลือกกลไกการเลื่อนลง: การลดลงตามเวลา (time decay), TTL หรือหมวดหมู่ความสดใหม่ (freshness categories) เก็บการเลื่อนขั้นและการให้คะแนนการดึงข้อมูลแยกจากกันในตอนแรก การแยกนี้เพิ่มได้ง่ายกว่าการแกะ ติดตามที่มาที่ไป (provenance) จากชั้นบนกลับไปยังชั้นล่าง เพื่อให้คุณสามารถตอบคำถามเสมอว่าความเชื่อที่สังเคราะห์ขึ้นมาจากไหน

19 ระบบนี้ไม่ได้เป็นเอกฉันท์ในหลายเรื่อง แต่ในเรื่องนี้พวกเขาเป็นหนึ่งเดียว: พื้นที่จัดเก็บหน่วยความจำแบบแบนเพียงอย่างเดียวคือค่าเริ่มต้นที่ผิดสำหรับระบบหน่วยความจำ Agent ที่ไม่ธรรมดา

การจัดเก็บนั้นถูก การใส่ใจนั้นแพง จงสร้างระบบที่ใช้ประโยชน์จากความแตกต่าง

หากคุณพบบทความนี้น่าสนใจ โปรดแชร์