Resumen: Los agentes generativos impulsados por los modelos de idiomas se implementan cada vez más para tareas de horario largo. Sin embargo, a medida que el contexto de memoria a largo plazo crece con el tiempo, luchan por mantener la coherencia. Esta deficiencia conduce a fallas críticas, incluida la deriva de identidad, ignorar las creencias establecidas y la propagación de alucinaciones en sistemas de agentes múltiples. Para mitigar estos desafíos, este documento introduce la generación de recuperación de identidad (ID-RAG), un mecanismo novedoso diseñado para fundamentar la personalidad de un agente y las preferencias persistentes en un modelo de identidad dinámico y estructurado: un gráfico de conocimiento de creencias, rasgos y valores centrales. Durante el bucle de decisión del agente, se consulta este modelo para recuperar el contexto de identidad relevante, lo que informa directamente la selección de la acción. Demostramos este enfoque introduciendo e implementando una nueva clase de agentes habilitados para ID-RAG llamados Agentes Human-AI (HAI), donde el modelo de identidad está inspirado en la estructura de la crónica utilizada en la IA consciente de la perspectiva, un gráfico de conocimiento dinámico aprendido de la huella digital de una entidad del mundo real. En las simulaciones sociales de una elección de alcaldía, los HAI que utilizan ID-RAG superaron a los agentes basales en la coherencia de la personalidad del horizonte largo, lo que alcanza el mayor retiro de identidad en todos los modelos probados por el cuarto tiempo de convergencia de simulación reducida en el 19% (GPT-4O) y 58% (GPT-4O Mini). Al tratar la identidad como una estructura de conocimiento explícita y recuperable, ID-RAG ofrece un enfoque fundamental para desarrollar agentes generativos más temporalmente coherentes, interpretables y alineados. Nuestro código es de código abierto y está disponible en: esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 30 de septiembre de 2025.
Ver Fuente Original
