MemSidecar زمان‌بندی حافظه را از اجرای وظایف عامل‌های هوش مصنوعی جدا می‌کند

عامل‌های مبتنی بر مدل‌های زبانی بزرگ برای انجام وظایف طولانی و پیچیده به حافظه نیاز دارند، اما روش‌های موجود عمدتاً بر ذخیره‌سازی، به‌روزرسانی و بازیابی تمرکز می‌کنند. نویسندگان پیش‌چاپ MemSidecar می‌گویند زمان‌بندی حافظه نیز بر اجرای وظیفه اثر می‌گذارد: عامل اصلی باید نیاز به حافظه را تشخیص دهد، بازیابی را آغاز کند و منتظر نتیجه بماند؛ کاری که بار زمان‌بندی و زمان اجرا را افزایش می‌دهد.

MemSidecar این دو فرایند را از هم جدا می‌کند و دو حالت مستقل برای انتخاب پیشنهاد می‌دهد. در حالت Hooks، حافظهٔ ازپیش‌تعیین‌شده هنگامی به عامل اصلی می‌رسد که رویدادی در جریان اجرا با شرایط مشخص‌شده تطبیق کند. چکیدهٔ موجود دربارهٔ سازوکار حالت دوم، Foresight، توضیح بیشتری نمی‌دهد.