Estive pensando em um conceito que eu chamaria de "ontologia de contexto" - principalmente porque gostaria de ter um único lugar onde pudesse ver de onde vem o contexto e em quais prompts eles são usados. contexto útil para um LLM gerar uma resposta ou tomar uma ação pode incluir coisas como (1) objetivo de alto nível, (2) tarefa atual / área de foco, (3) informações resumidas de tarefas anteriores relevantes, (4) aprendizados de tentativas anteriores, etc. como esperamos mais de nossos agentes (tarefas mais longas, projetos mais complicados, etc.), a memória bruta rapidamente se torna pesada e barulhenta, o que reduz a qualidade da saída do LLM. a maioria dos aplicativos de IA complexos tem algum tipo de contexto resumido (eu presumo) e várias fontes de contexto. A ideia aqui é definir uma ontologia para o contexto que você armazena*, como estruturá-lo e o que recuperar para cada prompt em seu sistema. * Por loja, não quero dizer necessariamente no banco de dados da IA. impo, parece mais holístico considerar os dados armazenados em qualquer aplicativo como parte da memória da IA (por exemplo, conexão API / MCP). Talvez esta ontologia deva especificar isso também. Dando um passo adiante, você pode tornar isso uma ontologia dinâmica que uma IA pode gerenciar e testar e, em seguida, colocá-la em um ambiente RL para que os agentes melhorem o gerenciamento de contexto (hipoteticamente) Não tenho certeza se a estratégia de resumo deve entrar aqui, mas faz sentido em alto nível. mais complicado, já que a maioria das pessoas resume as informações após a ingestão, então você teria que resumir as ingestões anteriores toda vez que as alterasse (para testar as mudanças e o autoaperfeiçoamento) - mas acho que esse problema persiste independentemente. Não acho que nada aqui seja particularmente novo. Apenas pensando em voz alta enquanto tento criar alguma estrutura internamente para mapear várias estratégias que vi.