महीनों के भेद्यता अनुसंधान में, मैंने पाया कि LLM एजेंट लंबी जांच के दौरान स्थापित तथ्यों का ट्रैक खो देते हैं, जिससे मतिभ्रम होता है। पारंपरिक मेमोरी पुराने ट्रांसक्रिप्ट स्टोर करती है लेकिन वर्तमान ज्ञान स्थिति को बनाए नहीं रखती। मैं चाहता था कि LLM तथ्य बदलने पर स्वचालित रूप से निष्कर्ष अपडेट करें, जैसे प्रोग्राम विश्लेषण में जहां नियम नए तथ्य प्राप्त करते हैं और केवल प्रभावित परिणामों को अपडेट करने की आवश्यकता होती है। इसने मुझे LLMs के लिए एक Datalog इंजन बनाने के लिए प्रेरित किया। Datalog एक घोषणात्मक तर्क भाषा है जहां तथ्य और नियम नए तथ्य प्राप्त करते हैं; यदि कोई इनपुट तथ्य बदलता है, तो केवल निर्भर निष्कर्ष अमान्य होते हैं बजाय खरोंच से पुनरारंभ करने के। मैंने इसे तब लागू किया जब मैंने देखा कि हमलावर object_a को नियंत्रित करता है, object_a object_b की ओर इशारा करता है, और object_b एक कर्नेल ऑब्जेक्ट है, जिससे हमलावर को कर्नेल ऑब्जेक्ट का नियंत्रण मिलता है। बाद में, यह पता चलने पर कि object_a object_b की ओर इशारा नहीं करता है, पूर्व निष्कर्ष अमान्य हो गए। एक गतिशील ज्ञान आधार को बनाए रखना प्रोग्राम विश्लेषण से परिचित लगता है, जहां निश्चित बिंदु प्राप्त करने योग्य तथ्यों की गणना करते हैं और वृद्धिशील अपडेट प्रदर्शन को अनुकूलित करते हैं। यह दृष्टिकोण जटिल शोषण विकास में अधिक विश्वसनीय LLM सहायता का वादा करता है केवल वैध, वर्तमान स्थिति को संरक्षित करके बजाय बार-बार इतिहास का पुनर्निर्माण करने के।