Zespół badawczy z arXiv odkrył fundamentalny problem w architekturze pamięci dla agentów AI - zjawisko zwane strukturalnie pośrednią ewikcją warunków wstępnych. Dzieje się to, gdy system pod presją ograniczonego budżetu pamięci usuwa upstream'owe fragmenty tekstu, które słabo korelują z bieżącym zapytaniem, ale są de facto niezbędne do znalezienia właściwej odpowiedzi. Problem pojawia się jeszcze zanim system próbuje wyszukać informacje - istnieje więc jako awaria na poziomie retencji, a nie retrievalu.
Badacze opracowali metodę Dependency-aware Semantic Garbage Collection (DSGC), która wykorzystuje graf zależności do ochrony pośrednich danych. W eksperymentach metoda poprawiła pełne zachowanie łańcuchów logicznych z zaledwie 0,03 do 0,90 przy kodowaniu leksykalnym i ze średniego 0,23 do doskonałych 1,00 przy kodowaniu zdaniowym. Rozwiązanie jest elegancko proste - zamiast oceniać każdy fragment niezależnie, system sprawdza jednokrokowe zależności graficzne w strukturze danych.
Wyniki mają znaczące implikacje dla praktycznego wdrażania agentów AI z ograniczoną pamięcią. Odkrycie sugeruje, że wiele porażek w jakości odpowiedzi może wynikać nie z braku umiejętności retrievalu, ale z przedwczesnego usunięcia kluczowych przesłanek przez system decydujący, które dane zachować. Zespół opublikował pełny pipeline diagnostyczny i analizę postmortem, co otwiera drzwi do głębszych badań nad mechanizmami wyboru tego, co pamięć powinna przechowywać.