Принято считать, что для улучшения поведения ИИ-агента достаточно бесконечно шлифовать промпты или дообучать базовую модель. При этом обвязка — код, который управляет инструментами, памятью и контекстом — обычно остается статичной и единой для всех задач. Авторы проекта MemoHarness ставят этот подход под сомнение. Их идея заключается в том, чтобы адаптировать не только текст запроса, а всю архитектуру управления агентом на лету, опираясь на историю прошлых запусков.

Архитектура фреймворка разбивает управление на шесть настраиваемых параметров, включая оркестрацию, декодирование и работу с инструментами. После выполнения задачи система сохраняет удачные решения и ошибки в двухуровневый банк опыта. При поступлении нового запроса MemoHarness без дополнительного обучения, градиентных обновлений или разметки подтягивает релевантный контекст и перестраивает логику работы. На синтетических бенчмарках вроде генерации кода и аналитики это действительно дает прирост качества по сравнению с жестко заданными пайплайнами.

Вопрос в том, не перевешивают ли издержки эту прибавку к эффективности. Добавление динамического банка памяти неизбежно раздувает контекст и усложняет отладку всей системы, поскольку поведение агента становится менее предсказуемым. Сами разработчики признают, что подход остается экономически целесообразным только в том случае, если большая часть извлеченного опыта кэшируется. В реальных задачах, где среда и условия меняются хаотично, процент попадания в кэш может оказаться слишком низким, превращая адаптивную обвязку в избыточную и дорогую надстройку.