Memori agen AI meratakan waktu fakta pengguna
Riset LAPSE menunjukkan konsolidasi memori agen AI sering menghilangkan isyarat waktu, mengubah pernyataan sementara menjadi fakta permanen yang menyesatkan.
Agen kecerdasan buatan (AI) dengan memori jangka panjang dirancang untuk menyimpan percakapan sebagai catatan singkat agar model berikutnya dapat membacanya. Namun, riset terbaru mengungkap cacat sistematis dalam proses ini: konsolidasi memori cenderung “meratakan” bentuk waktu fakta pengguna.
Fenomena ini, yang disebut para penulis sebagai aspectual flattening, menyebabkan hilangnya nuansa temporal kritis. Contohnya, pernyataan progresif “sedang bekerja di Corvida” (I am working at Corvida) diubah menjadi bentuk present sederhana “bekerja di Corvida” (The user works at Corvida). Perubahan ini menghapus isyarat bahwa pekerjaan tersebut mungkin bersifat temporer dan berisiko membuat fakta yang tersimpan menjadi usang (stale).
Mekanisme penghilangan isyarat waktu
Masalah inti terletak pada bagaimana model penulisi memori (writer models) mentransformasikan ucapan pengguna. Dalam struktur bahasa, bentuk progresif biasanya menyajikan peristiwa sebagai sedang berlangsung dan berpotensi sementara. Sebaliknya, bentuk present sederhana sering mendukung pembacaan sebagai keadaan tetap atau kebiasaan.
Menurut makalah oleh Sugam Panthi dan timnya, ketika agen AI merangkum percakapan, ia sering kali menghapus penanda keberlangsungan ini tanpa konteks tambahan. Penulis menyoroti bahwa meskipun kedua bentuk kalimat tersebut dapat dibatalkan oleh konteks, klaim mereka bersifat sempit namun penting: ketika konten dan konteks dipegang konstan, penulis memori seharusnya tidak menghapus perbedaan bentuk kata kerja yang berdampak pada seberapa lama fakta tersebut akan berlaku.
Temuan evaluasi benchmark LAPSE
Untuk mengukur fenomena ini, peneliti mengembangkan benchmark bernama LAPSE (Linguistic Aspect Persistence and Stability Evaluation). Benchmark ini menggunakan pasangan pernyataan pengguna yang cocok secara leksikal, di mana satu menggunakan bentuk progresif dan lainnya bentuk present sederhana, dengan topik dan konteks yang identik.
Dalam uji terhadap tiga model penulis utama—DeepSeek V4 Flash, GPT-5.6 Luna, dan GLM-5.2—ditemukan pola kehilangan satu arah (one-way loss) yang konsisten. Dari 381 pasangan uji, model-model tersebut meratakan pernyataan progresif menjadi present sederhana sebanyak 210 kali, namun tidak pernah melakukan kebalikannya. Fenomena ini juga teramati pada 11 konfigurasi model lain serta dalam sistem memori agen yang sudah terpasang seperti mem0, Graphiti, dan Letta.
Selain aspek penulisan, penelitian ini juga mengevaluasi bagaimana model pembaca (reader models) menafsirkan catatan yang telah diratakan. Dalam skenario perilaku terencana, model GLM-5.2 bertindak tanpa bertanya kepada pengguna sebesar 64 persen pada catatan “bekerja” (present simple), tetapi hanya 40 persen pada catatan “sedang bekerja” (progressive). Ini menunjukkan bahwa kehilangan isyarat waktu dapat memicu tindakan otomatis yang prematur.
Implikasi untuk desain memori agen
Temuan ini memiliki implikasi signifikan bagi arsitektur memori agen AI. Sebagian besar sistem saat ini fokus pada ekstraksi entitas dan hubungan semantik, namun sering mengabaikan kualifikasi linguistik halus seperti aspek kata kerja.
Penulis merekomendasikan bahwa sistem memori sebaiknya mempertahankan kata-kata asli pengguna (wording) sebagai bukti bagi pembaca di masa depan. Dalam uji lanjutan, catatan teks bebas yang mempertahankan kata-kata asli pengguna berhasil mengembalikan perbedaan respons antara bentuk progresif dan present sederhana. Sebaliknya, catatan yang distrukturkan atau diparafrasekan secara agresif menghilangkan efek perlindungan tersebut.
Penelitian ini membedakan dirinya dari benchmark evaluasi memori sebelumnya seperti LoCoMo atau STALE yang umumnya menguji penanganan konflik fakta baru. LAPSE memegang sejarah tetap dan hanya mengubah sumber penulisan, sehingga isolasi masalah jelas berada pada langkah penulisan memori itu sendiri. Dengan membuka dataset dan kode analisis, komunitas riset kini memiliki alat standar untuk mendeteksi bias temporal dalam sistem memori agen.
#ai-agent#long-term-memory#llm-research#aspectual-flattening#user-facts