งานวิจัยล่าสุดเสนอกรอบความคิด "Experience Compression Spectrum" ที่รวมเอา Memory, Skills และ Rules ของ LLM Agent เข้าด้วยกันบนแกนเดียว โดยจัดเรียงตามระดับการบีบอัดข้อมูลจากประสบการณ์ แก้ปัญหาที่ชุมชน AI memory และ skill discovery ทำงานแยกกันแม้จะแก้ปัญหาร่วมกัน
ปัญหาหลัก: Memory และ Skills ทำงานแยกกัน
งานวิจัยจาก arXiv (2604.15877) พบว่าชุมชน AI memory และ skill discovery แยกกันทำงานอย่างสิ้นเชิง ทั้งที่แก้ปัญหาร่วมกัน (cross-community citation < 1%) ทั้งสองชุมชนไม่ได้เห็นภาพรวมของระบบการเรียนรู้ของ agent ปัญหานี้เกิดจากการมองแยกส่วนระหว่าง: Memory systems - มุ่งเน้นการจัดเก็บและดึงข้อมูล Skill frameworks - มุ่งเน้นการค้นพบและใช้งานทักษะ Rule systems - มุ่งเน้นการกำหนดนโยบายและข้อจำกัด
Experience Compression Spectrum: การบีบอัดประสบการณ์ใน 3 ระดับ
กรอบความคิดใหม่นี้จัดเรียงการเรียนรู้ของ agent บนแกนเดียวตามระดับการบีบอัดข้อมูลจากประสบการณ์:
1. Episodic Memory (5-20x compression)
เก็บประสบการณ์ดิบจากการโต้ตอบ เช่น บทสนทนาทั้งหมด การกระทำ และผลลัพธ์ นี่คือระดับการบีบอัดต่ำสุดที่เก็บข้อมูลไว้มากที่สุด ตัวอย่าง: Agent จดจำการสนทนาทั้งหมดกับผู้ใช้เกี่ยวกับการแก้ไข bug ในโค้ด
2. Procedural Skills (50-500x compression)
สกัดทักษะที่ใช้ซ้ำได้จากประวัติการทำงานของ Agent เช่น วิธีการ debug ทั่วไป การออกแบบ architecture หรือการเขียน test cases ตัวอย่าง: Agent เรียนรู้ "skill" การตรวจสอบ dependency conflicts จากการแก้ไขปัญหาหลายครั้ง
3. Declarative Rules (1000x+ compression)
สรุปเป็นกฎที่ชัดเจนและกระชับที่สุด เช่น "ใช้ TDD เสมอ" หรือ "อย่าใช้ global variables" นี่คือระดับการบีบอัดสูงสุด ตัวอย่าง: Agent สรุปว่า "การใช้ interface ช่วยลับ coupling ระหว่าง modules ได้ดีกว่า inheritance"
การวิเคราะห์ 22 ระบบหลักและการค้นพบ "Missing Diagonal"
งานวิจัยวิเคราะห์ 22 ระบบหลักและพบว่า: ทุกระบบทำงานที่ระดับ compression คงที่ ไม่มีระบบไหนรองรับ adaptive cross-level compression ปรากฎการณ์ที่เรียกว่า "missing diagonal" - ไม่มีระบบที่เชื่อมโยงระหว่างระดับ compression ต่างๆ ได้อย่างมีประสิทธิภาพ
ผลกระทบต่อระบบ AI Agent ปัจจุบัน
ปัญหาที่พบในระบบปัจจุบัน:
- Memory overload - agent เก็บข้อมูลมากเกินไปโดยไม่บีบอัด
- Skill redundancy - มีทักษะซ้ำซ้อนกันหลายตัว
- Rule inconsistency - กฎต่างๆ ขัดแย้งกันเอง
- Learning inefficiency - agent เรียนรู้ช้าเพราะไม่มีการบีบอัดข้อมูลอย่างมีระบบ
โอกาสใหม่ที่เกิดขึ้น:
- Adaptive learning - agent สามารถปรับระดับ compression ตามความจำเป็น
- Cross-level transfer - ถ่ายทอดความรู้ระหว่างระดับต่างๆ
- Efficient storage - ลดการใช้หน่วยความจำด้วยการบีบอัดอัจฉริยะ
การประยุกต์ใช้กับระบบ AI อย่าง Hermes
แนวคิดเรื่อง procedural memory จาก agent history สามารถนำมาปรับปรุงระบบ knowledge management ของ Hermes ได้โดยตรง: จากบทสนทนาสู่ทักษะ: แปลงประสบการณ์การสนทนาเป็น reusable skills การบีบอัดอัตโนมัติ: ระบบคัดเลือกว่าจะเก็บเป็น episodic, procedural หรือ declarative การเชื่อมโยงระหว่างระดับ: สามารถ trace back จาก rules ไปยัง skills และ episodic memories
อนาคตของ Experience Compression
กรอบความคิดนี้เปิดทางสู่: ระบบ AI ที่เรียนรู้ได้อย่างมนุษย์ - บีบอัดประสบการณ์เหมือนคน Agent ที่มี "common sense" - จาก rules ที่ถูกบีบอัดมาอย่างดี การทำงานร่วมกันของชุมชน - memory และ skill research จะมาทำงานร่วมกัน Experience Compression Spectrum ไม่ได้เป็นเพียงทฤษฎี แต่เป็นกรอบการทำงานจริงที่จะช่วยให้ AI agents เรียนรู้และพัฒนาได้อย่างมีประสิทธิภาพและยั่งยืนยิ่งขึ้น อ่านต้นฉบับ: Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents