Память ИИ-агента: от эпизодов к знаниям

Проблема: свалка вместо памяти

Агент успешно забронировал билет: нашёл рейс, сравнил варианты, применил политику поездок. Что запомнить? Очевидный ответ: всё. Вложить в вектор разговор, вызовы инструментов, ответ, скриншоты, предпочтения, документы. Получается дорогая свалка.

Проблема не в том, что хранится мало. Разные по смыслу вещи обрабатываются так, будто выполняют одну работу:

• предпочтение места — не история последнего бронирования;
• политика возврата — не последовательность шагов возврата;
• черновик агента — вообще не знание.

В одном пуле поиск даёт много похожего, но без сигнала, что это значит и насколько этому верить. Это «хранилище с поисковой строкой», а не память.

Четыре типа памяти

Названия взяты из когнитивной науки. У аналогии есть пределы (см. раздел ниже), но типы полезны: у каждого свои хранение, поиск, обновление и срок жизни.

Контракт записи памяти

Основа — классификация. Любая запись получает явный тип и метаданные до записи, а не выводится при поиске:

{
  "id": "mem_9f1a2c",
  "type": "semantic",
  "content": "Пользователь предпочитает место у прохода на рейсах дольше 3 часов.",
  "scope": { "owner": "user_4821", "applies_to": "long_haul_flights" },
  "provenance": {
    "source": "episodic",
    "derived_from": ["ep_7712", "ep_7810", "ep_8004"],
    "extraction_method": "explicit_statement"
  },
  "confidence": 0.86,
  "created_at": "2026-06-02T14:11:00Z",
  "last_validated_at": "2026-07-19T09:00:00Z",
  "expires_at": null,
  "supersedes": null
}

Маршрутизация: сначала куда, потом что

Нужен слой, который решает, где искать, прежде чем решать, что похоже. Плоское векторное хранилище этого не делает. Попробуй:

def retrieve(query, task_purpose, user_id):
    # 1. Определяем, какие типы памяти нужны этой задаче
    candidate_types = classify_purpose(task_purpose)
    # "проверить политику багажа"       -> ["semantic", "procedural"]
    # "делал ли пользователь так раньше?" -> ["episodic"]

    results = []
    for mem_type in candidate_types:
        hits = vector_search(query,
            filter={"type": mem_type, "scope.owner": user_id}, top_k=8)
        results.extend(hits)

    # 2. Ранжируем внутри выбранного подмножества, а не во всей базе
    return rank(results, weights={"relevance": 0.4, "confidence": 0.3,
                                  "recency": 0.2, "scope_match": 0.1})

Код не главное. Главное: «искать всё, а модель разберётся» заменяется на «классифицировать, искать внутри типа, ранжировать». Классификация происходит при записи и при поиске; поиск по сходству идёт только внутри уже ограниченного набора.

Как это ломается на практике

Единый индекс выглядит элегантно: одно хранилище и один интерфейс. Но сложность не исчезает, а переезжает в промпт: модель должна каждый раз гадать, что ей принесли — факт, анекдот, инструкцию, устаревшее предпочтение или догадку.

Пять принципов

Не нужно пять разных баз: разделение может быть логическим, а не физическим. Важен контракт.

Где метафора ломается

Человеческая память консолидируется во сне, постепенно угасает и неточно восстанавливается при вспоминании. Память агента по умолчанию ничего этого не делает: каждая запись намеренная, каждое чтение — запрос, ничто не истекает, если архитектура этого не требует.

В этом и преимущество: можно навязать дисциплину, которой у мозга не было: у каждого факта источник, у каждой процедуры журнал, жёсткий срок вместо естественного забывания. Классификация полезна, а антропоморфизм за её пределами в основном мешает.

База данных — ещё не архитектура памяти

Ни одна из них сама не решает, чем является событие: прецедентом, фактом, процедурой или шумом. Это задача слоя сверху: классификация, правила записи, маршрутизация поиска, проверка, повышение, забывание. Агенту нужна не одна большая память, а нужное воспоминание в нужный момент с нужным уровнем авторитета. И когда что-то пошло не так, нужно понять, что подвело: опыт, факт, процедура или текущее состояние.

Открытый вопрос

Положить правильное в правильную корзину — половина задачи. Труднее другое: какие воспоминания заслуживают стать знанием? Верный вывод может прийти из чистой траектории, исправленной ошибки или удачной догадки, и если система их не различает, даже хорошая архитектура сохранит неправильные уроки. Память нужно оценивать, прежде чем она станет знанием. Этому автор обещает посвятить следующую часть.

Применить у себя (моя интерпретация)

Вопросы, которые стоит проверить:

• У фактов в MEMORY.md есть дата и источник, или они «просто там лежат»?
• Как устаревший факт убирается? Есть ли срок жизни?
• Отделено ли временное от утверждённого (например, гипотезы в HYPOTHESES.md от решений)?
• Как запись из дневника попадает в MEMORY.md: есть явный путь «эпизод → факт» или это происходит тихо?
• Не попадают ли в скиллы и правила удачные случайности без проверки?