User as Code: Executable Memory for Personalized Agents
Dieses Paper führt User as Code (UaC) ein, ein Paradigma, das das personalisierte Agentengedächtnis als ausführbaren Python-Code anstatt als unstrukturierten Text darstellt, was eine überlegene Leistung bei der Aggregation historischer Daten, der Auflösung von Widersprüchen und der proaktiven Durchsetzung von Sicherheitsregeln durch deterministische Berechnung ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Von einem „Schuhkarton voller Notizen“ zu einer „lebenden Software-App“
Stellen Sie sich vor, Sie versuchen, sich an alles zu erinnern, was über Ihre Freundin Jessica zu wissen ist.
Der alte Weg (Aktueller KI-Speicher):
Momentan speichern die meisten KI-Agenten Erinnerungen wie einen Schuhkarton voller Klebezettel.
- Sie schreiben Fakten auf: „Jessica mag Koriander“, „Jessica hasst Koriander“, „Jessica ist allergisch gegen Penicillin“.
- Wenn Sie die KI fragen: „Wogegen ist Jessica allergisch?“, wühlt sie im Karton, findet den Zettel über Penicillin und liest ihn vor.
- Das Problem: Wenn Sie fragen: „Wie viele internationale Reisen hat Jessica letztes Jahr unternommen?“, muss die KI jeden einzelnen Zettel lesen, einen nach dem anderen zählen und die Mathematik in ihrem Kopf durchführen. Dabei verliert sie oft den Überblick, vergisst einen Zettel oder übersieht die Tatsache, dass „Amoxicillin“ eine Art von „Penicillin“ ist, weil diese Wörter nicht zusammen auf demselben Zettel standen. Es ist, als würde man versuchen, eine komplexe Buchhaltung zu führen, indem man einfach nur einen Stapel Quittungen durchliest.
Der neue Weg (User as Code):
Die Autoren schlagen ein neues System namens User as Code (UaC) vor. Anstatt eines Schuhkartons voller Notizen baut die KI eine lebende Software-App, die speziell für Jessica entwickelt wurde.
- Der Zustand (Die Datenbank): Anstelle von Notizen erstellt die KI typisierte „Objekte“ (wie digitale Ordner). Es gibt einen
Reisepass-Ordner, einenReisen-Ordner und einenMedizinischen-Ordner. Im Medizinischen Ordner schreibt sie nicht einfach nur „Penicillin-Allergie“ hin; sie erstellt einen strukturierten Eintrag, der besagt:Wirkstoffklasse: Penicillin,Schweregrad: Schwer. - Die Regeln (Die Logik): Die KI schreibt auch kleine Computerprogramme (Funktionen), die automatisch laufen. Ein Programm könnte sagen: „Wenn ein neues Medikament verschrieben wird, prüfe, ob die Wirkstoffklasse mit bestehenden Allergien übereinstimmt.“
Wie es funktioniert: Die Zwei-Phasen-Fabrik
Das Paper beschreibt einen zweistufigen Prozess, um aus unordentlichen Gesprächen diese saubere Software zu machen:
Phase 1: Der Schreiber (Memorieren)
Jedes Mal, wenn Jessica mit der KI spricht, hört ein „Schreiber“ zu und schreibt jeden einzelnen Fakt als rohe, uneditierte Liste auf. Er löscht nichts. Wenn Jessica sagt: „Ich war wegen Allergien bei Dr. Park“, schreibt der Schreiber:[Datum] Nutzer sah Dr. Park wegen Allergien.- Analogie: Dies ist wie ein Gerichtsschreiber, der einen Prozess protokolliert. Nichts geht verloren, nichts wird vorerst zusammengefasst.
Phase 2: Der Architekt (Strukturieren)
In regelmäßigen Abständen liest ein „Architekt“ (eine intelligente KI) die gesamte Liste der Rohfakten und schreibt sie in die saubere Software-App um. Er ordnet die Fakten in dieReisepass- undMedizinischen-Ordner ein und schreibt die kleinen Programme (Constraints), um Konflikte zu prüfen.- Analogie: Dies ist wie ein Bibliothekar, der einen Stapel unsortierter Bücher nimmt und sie in einen perfekten, durchsuchbaren Katalog mit einem Computersystem organisiert, das sofort Statistiken berechnen kann.
Warum das alles verändert
Das Paper behauptet, dass dieser Wechsel der KI ermöglicht, drei Dinge zu tun, bei denen die „Schuhkarton“-Methode Schwierigkeiten hat:
1. Das „Mathematik“-Problem (Analytische Schlussfolgerung)
- Das Szenario: Sie fragen: „Wie viele internationale Reisen hat Jessica im Jahr 2025 unternommen?“
- Alter Weg: Die KI muss nach „Reise“-Notizen suchen, raten, welche international sind, zählen und hoffen, dass sie keinen übersehen hat. Sie scheitert oft (sie erreicht in Tests nur 43 % Genauigkeit).
- Neuer Weg: Die KI führt einfach eine einfache Zeile Code aus:
Count all trips where year is 2025 and is_international is True.Sie erhält die Antwort sofort und perfekt (99 % Genauigkeit). Es ist der Unterschied zwischen dem manuellen Zählen eines Stapels Münzen und der Verwendung einer Maschine, die genau weiß, wie viele im Glas sind.
2. Das „Proaktive“-Problem (Aktiver Service)
- Das Szenario: Jessica erwähnt im Januar eine Penicillin-Allergie. Im Oktober erwähnt sie, dass sie Amoxicillin einnimmt. Sie fragt nie: „Ist das sicher?“
- Alter Weg: Die KI wartet auf eine Frage. Sie wird die Verbindung nicht herstellen, es sei denn, man fragt: „Beeinträchtigt Amoxicillin meine Allergien?“
- Neuer Weg: Der „Architekt“ hat eine Regel geschrieben: „Prüfe auf Medikamentenkonflikte, wann immer sich die medizinische Liste ändert.“ In dem Moment, in dem die Oktober-Notiz hinzugefügt wird, läuft das Computerprogramm, erkennt den Konflikt und blendet sofort eine Warnung ein: „KRITISCH: Sie nehmen ein Penicillin-haltiges Medikament ein, aber Sie sind allergisch gegen Penicillin!“
- Analogie: Das alte System ist eine passive Bibliothek; das neue System ist ein intelligentes Smart-Home-Sicherheitssystem, das Sie warnt, bevor das Feuer ausbricht.
3. Das „Widerspruchs“-Problem
- Das Szenario: Jessica sagt in einem Chat, dass sie Koriander liebt, und in einem anderen, dass sie ihn hasst.
- Alter Weg: Der Schuhkarton enthält zwei widersprüchliche Notizen. Die KI wird verwirrt.
- Neuer Weg: Die Software-App besitzt ein einziges
Präferenzen-Objekt. Wenn der neue Fakt eingeht, aktualisiert der Code das Objekt, um die neueste Wahrheit widerzuspiegeln, oder markiert den Konflikt zur Überprüfung. So bleibt das Gedächtnis sauber und konsistent.
Die Ergebnisse: Was das Paper herausfand
Die Autoren testeten dies gegen andere Gedächtnissysteme anhand von Standard-Benchmarks:
- Basis-Gedächtnis: Bei einfachen Fragen wie „Wie lautet meine Passnummer?“ ist das neue System genauso gut wie die besten existierenden Systeme (etwa 79 % Genauigkeit).
- Komplexe Mathematik: Bei Fragen, die das Zählen oder Durchschnittsberechnungen erfordern (wie das Reisebeispiel), ist das neue System nahezu perfekt (99 %), während andere Systeme abstürzen (auf 6–43 % sinken).
- Sicherheitswarnungen: In Tests, bei denen die KI ohne Aufforderung Gefahren erkennen musste (wie die Medikamentenallergie), erkannte das neue System 100 % der Standardgefahren. Andere Systeme übersehen viele, weil sie auf eine Frage warten.
- Kosten: Es kostet etwas mehr, die „Software-App“ zu Beginn zu erstellen, aber sobald sie gebaut ist, ist das Beantworten von Fragen sehr günstig und schnell. Wenn man einem Nutzer viele Fragen stellt, ist das neue System viel kostengünstiger als der alte Weg.
Das Fazit
Das Paper argumentiert, dass wir aufhören sollten, das KI-Gedächtnis als passiven Aufbewahrungsbehälter für Text zu behandeln, und statfangen sollten, es als aktives Softwareprojekt zu betrachten. Indem wir die Historie eines Nutzers in Code verwandeln, der ausgeführt, geprüft und berechnet werden kann, wird die KI viel besser darin, Mathematik zu betreiben, verborgene Gefahren zu erkennen und das große Ganze zu verstehen, anstatt nur isolierte Fakten abzurufen.
Kurz gesagt: Anstatt die KI zu bitten, sich an alles zu „erinnern“, geben wir ihr ein Programm, das auf dem Leben des Nutzers läuft und automatisch Muster und Warnungen in Echtzeit prüft.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.