精选理由
做Agent系统的话可以看看这个思路：不先检索，而是先全局压缩再按需展开，和传统做法完全不一样。
传统Agent系统依赖检索获取信息，但LCLMs（Latent Compression Language Models）提出先压缩所有信息。该方法将数据全局压缩一次，再基于压缩进行全局推理，仅当需要时才局部扩展。这与检索式记忆的本质区别在于：压缩使模型能理解整体结构而非片段匹配。LCLMs在多个知识密集型任务中展现出更高效的记忆利用。
AI 翻译 · 中文
传统Agent系统依赖检索获取信息，但LCLMs（Latent Compression Language Models）提出先压缩所有信息。该方法将数据全局压缩一次，再基于压缩进行全局推理，仅当需要时才局部扩展。这与检索式记忆的本质区别在于：压缩使模型能理解整体结构而非片段匹配。LCLMs在多个知识密集型任务中展现出更高效的记忆利用。
Most agent systems start with retrieval. LCLMs start with compression. Compress everything once. Reason globally. Expand locally when needed. That's a very different way to think about agent memory. https://t.co/yRunxjU9…