Память агента

Память агента (agent memory) — инфраструктурный компонент AI-агента, обеспечивающий хранение и извлечение информации в ходе работы и между сессиями. По аналогии с когнитивными науками выделяют несколько типов: рабочая (in-context) память ограничена размером контекстного окна модели и существует только в рамках одного запроса; эпизодическая память хранит историю прошлых взаимодействий; семантическая память содержит факты о мире или предметной области; процедурная память — инструкции и стратегии поведения агента.

Технически долгосрочная память реализуется через внешние хранилища: векторные базы данных (Pinecone, Weaviate, pgvector) хранят эмбеддинги текстовых фрагментов и позволяют извлекать релевантные воспоминания по семантической близости; реляционные и документоориентированные БД используются для структурированных данных; key-value хранилища — для быстрого доступа к часто нужным фактам. Агент управляет памятью через специализированные инструменты (save_memory, recall_memory), нередко самостоятельно решая, что записать и что извлечь.

Качество памяти определяет, насколько агент способен вести связный диалог, учиться на прошлых ошибках и персонализировать взаимодействие. Без долгосрочной памяти каждая сессия начинается с нулевого контекста, что неприемлемо для ассистентов, работающих в длительных проектах или обслуживающих постоянных пользователей.

К 2026 году управление памятью выделилось в отдельную подобласть агентной разработки. Специализированные решения — MemGPT (Letta), Mem0, Zep — и встроенная память в OpenAI Assistants API предлагают готовые инструменты. Актуальные исследования сосредоточены на задачах консолидации (что хранить, что забывать), разрешения конфликтующих воспоминаний и защиты приватности пользовательских данных.

Пример

“Персональный AI-ассистент запоминает, что пользователь предпочитает краткие ответы и работает над проектом на Python, сохраняя эти факты в векторную БД; при следующей сессии он воспроизводит контекст без необходимости повторного объяснения.