Google предлагает по-другому строить память для долгоживущих AI-агентов.
Вместо того чтобы бесконечно таскать за агентом всю историю диалога и reasoning trace, авторы предлагают хранить только небольшой явный execution state.
Подход называется SKILL.state.
На каждом шаге модель получает только:
- инструкции навыка
- структурированное текущее состояние
- последнее наблюдение
После шага reasoning удаляется, а сохраняется только проверенное обновление state.
За счёт этого размер prompt почти не растёт вместе с длиной задачи.
На warehouse-задаче из 100 шагов с Gemini-3-Flash:
SKILL.state:
- score: 0.94
- токены: 65 408
LangGraph-style baseline:
- score: 0.91
- токены: 1 062 387
Разница по токенам - примерно 16.2×.
То есть агенту не обязательно помнить всю историю, если всё важное можно аккуратно перенести в структурированное состояние.
Ограничение тоже важное: подход работает только тогда, когда вся информация, которая понадобится позже, действительно помещается в заранее заданную state-схему.
arxiv.org/abs/2608.26263
20
12
5
1August 29, 2026 2.8K 145
