Google представила подход SKILL.state для оптимизации памяти AI-агентов

Google предлагает по-другому строить память для долгоживущих AI-агентов. Вместо того чтобы бесконечно таскать за агентом всю историю диалога и reasoning trace, авторы предлагают хранить только небольшой явный execution state. Подход называется SKILL.state. На каждом шаге модель получает только: - инструкции навыка - структурированное текущее состояние - последнее наблюдение После шага reasoning удаляется, а сохраняется только проверенное обновление state. За счёт этого размер prompt почти не растёт вместе с длиной задачи. На warehouse-задаче из 100 шагов с Gemini-3-Flash: SKILL.state: - score: 0.94 - токены: 65 408 LangGraph-style baseline: - score: 0.91 - токены: 1 062 387 Разница по токенам - примерно 16.2×. То есть агенту не обязательно помнить всю историю, если всё важное можно аккуратно перенести в структурированное состояние. Ограничение тоже важное: подход работает только тогда, когда вся информация, которая понадобится позже, действительно помещается в заранее заданную state-схему. arxiv.org/abs/2608.26263