Память AI-агента — это система, которая хранит, организует и извлекает информацию, нужную агенту за пределами его непосредственного ответа модели. Она сохраняет активное состояние задачи, прошлый опыт, факты, предпочтения и освоенные процедуры, но при этом не является ни единой базой данных, ни тем же самым, что контекстное окно модели. Для бизнеса это различие важно: большие контекстные окна не решают задачу управления памятью, а заполнение промпта всеми прошлыми событиями повышает стоимость и может отвлекать модель нерелевантными или противоречивыми деталями.
Что охватывают четыре типа памяти
Рабочая память удерживает активное состояние текущей задачи: цель, текущий план, недавние наблюдения, открытые вопросы, выводы инструментов и выполненные шаги. Она часто хранится частично в переписке, частично в структурированном объекте состояния. Поскольку рабочий контекст ограничен, долго работающие агенты могут суммировать старые события, отдельно сохранять важные переменные или загружать только следующую релевантную часть задачи. Эпизодическая память записывает опыт как события: что произошло, когда, в какой ситуации, какие действия были предприняты и к чему они привели. Агент может помнить, что конкретное развёртывание не удалось после изменения конфигурации, или что пользователь отклонил рекомендацию по названной причине. Такие записи поддерживают рассуждение по прецедентам, но требуют аккуратной атрибуции: прежний результат мог зависеть от условий, которые больше не действуют.
Семантическая память представляет факты и понятия независимо от отдельного события: предпочитаемый язык клиента, определение внутренней метрики, связь между продуктами. Она может жить в документах, векторных индексах, реляционных базах данных или графах знаний, а важные факты должны нести происхождение, отметки времени и владельца, чтобы агент отличал авторитетные записи от сгенерированных моделью сводок. Процедурная память фиксирует, как выполнять работу: рабочий процесс, правило выбора инструмента, чек-лист, успешный план или переиспользуемый навык. В нынешних системах это чаще проявляется как версионированные инструкции, код или проверенные шаблоны, а не как модель, незаметно меняющая саму себя. Отделение процедурных обновлений от обычной переписки — это функция безопасности: единичное необычное взаимодействие не должно автоматически переписывать рабочие правила агента.
Продакшен-система может реализовать все четыре типа сочетанием состояния переписки, структурированных баз данных, векторного поиска, журналов событий и версионированных инструкций. Таксономия описывает роль информации, а не продукт базы данных, который её хранит: предпочтение клиента остаётся семантической памятью независимо от того, лежит оно в реляционной таблице или в векторном индексе. Некоторые системы добавляют консолидацию: объединяют повторяющиеся наблюдения, устраняют дубликаты или превращают события в устойчивые факты, и этот процесс не должен стирать происхождение или неопределённость. Векторный поиск по сходству распространён, потому что находит семантически близкие записи даже при разных формулировках, однако одного сходства недостаточно: предпочтение полугодовой давности может быть тематически релевантным, но уже недействительным.
Что это значит для бизнеса
Для компаний, внедряющих агентов, практическое следствие в том, что память становится задачей управления данными, а не покупкой хранилища. Командам стоит начать с явных категорий, разделив авторитетные факты, предпочтения от пользователей, сводки модели и необработанные журналы взаимодействий, и хранить вместе с каждой записью происхождение и отметки времени. Для фактов с высокими последствиями нужны правила истечения срока или подтверждение при конфликте доказательств. Контроль доступа должен действовать и при хранении, и при извлечении: запись, существующая в базе, не становится автоматически доступной каждому агенту, задаче или пользователю. Пользователи должны иметь возможность видеть, исправлять и удалять устойчивую персональную память там, где это уместно. Масштаб меняет картину: небольшая компания может начать со структурированного состояния задачи, журнала событий, векторного хранилища и явных пользовательских предпочтений, а крупной организации нужны определённые правила приоритета между конфликтующими системами.
Открытым остаётся вопрос, какую часть этого реально поставляет вендор. Конфликты неизбежны: пользователь может изменить предпочтение, две системы могут расходиться в оценке аккаунта, а сводка может опустить важное исключение. Надёжная память хранит отметки времени и источники, определяет, какая система авторитетна, и показывает неразрешённые противоречия, а не выбирает молча ту запись, что оказалась выше в ранжировании. Новость не означает, что агенты учатся сами: большая часть памяти агента — это внешняя информация, извлекаемая в контекст модели во время работы, и веса модели при этом не меняются. Это разделение полезно: внешнюю запись можно проверить, исправить, подчинить правилам и удалить без переобучения модели. Выбирая вендора, стоит спросить, как память оценивают как систему: находит ли агент полезные записи, игнорирует ли нерелевантные, соблюдает ли обновлённые факты, выдерживает ли попытки отравления данных и ведёт ли себя корректно, когда памяти нет, и как это улучшение измеряется на фоне добавленных задержек, затрат и рисков для приватности.
Признак, по которому можно судить о подтверждении тренда, — публикуют ли вендоры оценки памяти вместе с заявлениями о точности: качество извлечения, обновлённые факты, устойчивость к отравлению данных и поведение без памяти, с задержками, затратами и рисками для приватности рядом. Если такие измерения станут стандартом в закупочных документах, память превратится из маркетинговой особенности в управляемую часть архитектуры. Если они останутся редкостью, покупатели продолжат сравнивать агентов по размеру контекстного окна, которое источник описывает как временное рабочее пространство, а не как механизм памяти.
