Trigger-Based Dependency Memory System for LLM Agents

Концепция

Современные LLM обладают большим окном контекста, однако даже при очень больших размерах контекста остаются фундаментальные проблемы:

• потеря дальних зависимостей;

• нарушение архитектуры проекта;

• ломание кода при локальных изменениях;

• отсутствие устойчивого понимания последствий изменений;

• неэффективное использование контекста.

Человек-программист обычно не удерживает в памяти весь проект целиком. Вместо этого он использует:

• ассоциативные связи;

• память о последствиях;

• “опасные места”;

• архитектурные ограничения;

• понимание зависимостей.

Предлагается система:

Trigger-Based Dependency Memory (TDM)

где ИИ хранит не только информацию, но и:

• последствия изменений;

• критические зависимости;

• архитектурные ограничения;

• предупреждения;

• накопленные уроки.

---

Основная идея

При работе с объектом проекта:

• функцией;

• классом;

• API;

• таблицей БД;

• моделью ML;

• конфигом;

• pipeline;

система автоматически активирует связанные триггеры.

---

Пример

Объект

calculate_features()

Активируемые триггеры

CRITICAL:
- изменение порядка признаков ломает модель

WARNING:
- train.py и predict.py используют одинаковую форму DataFrame

WARNING:
- требуется переобучение модели при изменении feature set

INFO:
- используется в M5 и H1 pipelines

---

Ключевая идея

Вместо хранения:

всего проекта в контексте

система хранит:

карту последствий и зависимостей

Это позволяет:

• уменьшить активный контекст;

• улучшить согласованность;

• снизить вероятность поломки проекта;

• приблизить ИИ к инженерному мышлению человека.

---

Архитектура системы

1. Entity Layer

Система выделяет сущности:

Function
Class
Module
API
Database Table
ML Model
Config
Pipeline

---

2. Dependency Graph

Формируется граф зависимостей.

Пример:

train.py
  -> depends on -> features.py

predict.py
  -> depends on -> features.py

features.py
  -> depends on -> btc_5m schema

---

3. Trigger Layer

Для каждой сущности создаются триггеры.

Типы триггеров

CRITICAL

Критические последствия.

Пример:

Changing feature order breaks inference model.

---

WARNING

Нежелательные последствия.

Пример:

Retraining recommended after feature modification.

---

INFO

Дополнительная информация.

Пример:

Used only in visualization pipeline.

---

4. Trigger Activation Engine

Когда ИИ начинает изменять объект:

open file
modify function
rename class
change schema

движок автоматически подмешивает связанные триггеры в активный контекст.

---

Отличие от RAG

Обычный RAG

Ищет:

похожие тексты

---

TDM

Активирует:

последствия изменений

---

Отличие от обычной памяти

Обычная память хранит:

факты

TDM хранит:

инженерные последствия

---

Самообучение системы

После ошибок ИИ может сам создавать новые триггеры.

Пример

После поломки inference pipeline:

LESSON LEARNED:
Do not change timestamp timezone type in btc_1m table.
Aggregation pipeline depends on timestamptz.

---

Аналогия с человеческим мышлением

Человек не удерживает весь код проекта в сознании.

Он удерживает:

• критические ограничения;

• последствия изменений;

• опасные зависимости;

• архитектурные инварианты.

Предлагаемая система моделирует именно этот механизм.

---

Аналогия с компьютерной архитектурой

Компьютер	LLM
RAM	Context Window
SSD	Vector DB
Cache	Active Attention
Interrupts	Triggers
Dependency Tracking	Trigger Graph
Logs	Long-term Memory

---

Возможные применения

AI Coding Agents

• автономная разработка;

• безопасный рефакторинг;

• поддержка больших проектов.

---

ML Systems

• контроль feature pipelines;

• контроль переобучения;

• защита inference pipelines.

---

Enterprise Software

• защита API compatibility;

• контроль миграций;

• контроль зависимостей.

---

Autonomous Research Agents

• накопление “уроков”;

• память о провальных стратегиях;

• предотвращение повторения ошибок.

---

Преимущества

1. Снижение зависимости от огромного контекста

Вместо миллионов токенов:

• активируется только важное.

---

2. Улучшение согласованности

ИИ меньше ломает:

• архитектуру;

• API;

• pipelines;

• модели.

---

3. Приближение к человеческому инженерному мышлению

Система хранит:

• не текст,

• а последствия.

---

4. Масштабируемость

Подходит для:

• очень больших codebase;

• multi-agent systems;

• enterprise AI development.

---

Возможное будущее развитие

Trigger Priority System

CRITICAL
HIGH
MEDIUM
LOW
INFO

---

Dynamic Trigger Injection

Подмешивание только:

• relevant triggers;

• context-sensitive warnings.

---

Predictive Trigger Generation

ИИ предсказывает:

“это изменение вероятно сломает training pipeline”

ещё до внесения изменений.

---

Заключение

Увеличение окна контекста само по себе не решает проблему инженерного мышления ИИ.

Более перспективным направлением является:

структурированная память последствий

где система хранит:

• зависимости;

• ограничения;

• последствия изменений;

• накопленные уроки.

Это может стать следующим этапом развития:

• AI coding agents;

• autonomous engineering systems;

• self-improving LLM architectures.