Агентная память: разработка ПО, персональная AI-ОС и AI-ОС компании

17 октября 2026 · 17 минут чтения

Память агента помогает продолжать работу между сессиями: сохранять состояние задачи, договорённости и проверенный опыт. Её устройство зависит от того, чью работу она обслуживает, где применима запись и кто вправе её подтвердить или исправить.

Ниже — рабочая модель для трёх пересекающихся контуров: разработки программного обеспечения, персональной AI-операционной системы и AI-операционной системы компании. Под AI-ОС здесь понимается система инструментов и процессов, через которую человек или организация ведёт работу вместе с AI-агентами. Обзор помогает сформулировать требования и понять устройство современных систем памяти. Описания продуктов опираются на документацию; оценки их эффективности здесь нет.

Рабочая модель

Структуру памяти и процессы её обслуживания стоит определять через конкретную работу, область применения и ответственность. Разрез «разработка ПО, персональная AI-ОС, AI-ОС компании» подходит для первого обсуждения требований. Внутри каждого контура нужно уточнить проект, задачу, роль, источники и срок применимости.

Контуры пересекаются: человек ведёт корпоративный программный проект через персонального агента. Одна запись может участвовать в нескольких процессах; её перенос требует проверки применимости и доступа. Количество контуров само по себе не определяет число продуктов или баз данных.

Почему важно, чью работу обслуживает память

Деление на эти контуры — авторская модель проектирования. Оно предлагает сначала определить, чью работу система должна помогать продолжать, а затем выбирать записи и процессы их обслуживания. Исследования дают основания различать такие задачи, хотя не устанавливают обязательную классификацию из трёх контуров.

Разработка ПО: память программного проекта. Здесь полезно помнить устройство конкретного репозитория, прошлые изменения, причины ошибок и способы проверки. В работе Improving Code Localization with Repository Memory память строят из прежних коммитов, связанных задач и описаний назначения файлов. Авторы показывают улучшение поиска нужного кода на SWE-bench Verified и выбранной подвыборке SWE-bench Live. Это результат для конкретной задачи локализации, а не доказательство пользы любой памяти во всей разработке. Наш вывод для проектирования: запись нужно связывать с репозиторием, версией и проверяемым техническим результатом.

Персональная AI-ОС: память человека между делами и проектами. Ей нужно сохранять цели, договорённости, предпочтения и обстоятельства жизни, помогая разным агентам работать с одним человеком. В MemoryBank отдельно хранят историю разговоров, сводки событий и изменяющееся представление о пользователе. Работа исследует долговременного AI-собеседника; количественная оценка использует симулированные диалоги, поэтому она не подтверждает готовую архитектуру персональной AI-ОС. Для нашей модели отсюда важен отдельный объект памяти — человек, чьи явные слова нужно отличать от предположений агента.

AI-ОС компании: память совместной работы. Здесь требуется сохранять принятые решения, основания, процедуры и ответственность так, чтобы работа продолжалась при смене сотрудников и агентов. В классической работе Walsh и Ungson Organizational Memory организационная память связывает сведения из истории организации с текущими решениями; авторы рассматривают её структуру и процессы приобретения, сохранения и извлечения информации. Это концептуальная модель организации, а не эксперимент с большими языковыми моделями. Её применение к AI-ОС — наш проектный вывод: запись о решении должна указывать, кто его утвердил, где действует его актуальная редакция и кто вправе её изменить.

Одно событие может дать записи для всех трёх контуров. В условном примере команда исправила повторное создание заказа и согласовала выпуск:

• Проект: способ исправления связан с версией кода и тестом, который проверяет повторную отправку запроса. Переносить его в другой проект можно после проверки условий.
• Человек: ответственный подтвердил договорённость подготовить проверку к 18:00. Это срок конкретного выпуска; из него нельзя выводить постоянное предпочтение человека.
• Компания: предложение проверять повторную отправку перед выпуском стало правилом только после принятия владельцем процесса. В записи указаны решение, область действия и актуальная редакция. До принятия это предложение.

Новая задача может потребовать одну из этих записей или несколько. Общее событие не даёт агенту доступа ко всем трём и не делает их одинаково применимыми. Если срок перенесён, исправляют договорённость; если изменился код — перепроверяют технический способ. Корпоративное правило меняется по своему порядку принятия.

Как организация сохраняет опыт в документах, процессах и привычках, подробнее разобрано в статье о модели Уолша и Унгсона.

Требования трёх контуров

Это рабочая модель требований. Она помогает поставить проверку; её не следует считать общепринятой классификацией или готовым регламентом.

Доступ и применимость проверяются отдельно. Хранилище и поиск должны исключать недоступные записи до передачи в контекст модели. Для разрешённой записи агент затем проверяет применимость к текущему проекту, времени и ситуации. В оценке отдельно учитываются передача недоступных данных и применение неподходящего опыта: правильный ответ по уже видимым записям не доказывает защиту доступа.

Для разработки в исходных обсуждениях было больше конкретных практик и моделей, чем для остальных контуров. Для персональной AI-ОС есть опыт ручной курации. Для AI-ОС компании наиболее подробны примеры разработки; сквозная архитектура всех функций компании этим обзором не подтверждается.

Содержимое и устройство памяти

Содержимое отвечает на вопрос, что требуется сохранить:

Независимо задаются область, ответственный, срок жизни, статус, читатели и редакторы, способ хранения и поиска. Процедура запуска тестов может одновременно быть долговременной, проектной, корпоративной и доступной нескольким агентам. Эти признаки не конкурируют друг с другом.

Минимальная запись содержит утверждение или процедуру; область и условия применения; источник; статус; дату актуальности; ответственного; основание следующего пересмотра. Для исправления добавляется связь с заменённой записью; у производных сводок и инструкций фиксируются исходные записи и их редакции. У процедуры отдельно сохраняется способ проверить результат. Идентификатор конкретной сессии полезен как источник, но преемственность рабочей задачи должна переживать смену сессий.

Состояние текущей задачи, контекст отдельного вызова модели и память для будущих задач выполняют разные обязанности. Их связь и способы восстановления после остановки разобраны в справочнике state, context и memory.

База знаний и память агента

В этой модели база знаний — подсистема организации и предоставления знаний, которую агент использует в работе. В ней могут храниться документы, факты, решения и проверенный опыт. Процессы памяти дополнительно определяют, что извлечь из взаимодействия, что сохранить между сессиями, когда применить и как исправить.

• Найти действующий регламент или описание программного интерфейса (API) — работа с базой знаний и источником.
• Восстановить договорённость с человеком или состояние задачи — преемственность взаимодействия.
• Использовать способ решения прошлой ошибки — перенос опыта с проверкой условий.

Одна запись может участвовать во всех трёх сценариях. Рабочая связь: событие → кандидат знания → проверка → база знаний → применение в новой задаче. Для компании важны полномочия утвердившего и редакция документа; для персональной памяти — чьи предпочтения извлечены и подтверждены ли они. Сохранение вывода агента в базе знаний не придаёт ему статуса принятого правила. Это рабочее различение, принятое для этого обзора.

Процесс работы с памятью

1. Захватить источник. Сохранить событие или ссылку на него, отличая исходный текст от извлечённого вывода.
2. Отобрать полезное. Сформулировать, какой будущей работе поможет запись; определить область и статус кандидата.
3. Подтвердить и разместить. Проверить фактическое основание; принятие правила провести по действующему процессу владельца. Полезная подсказка и обязательная инструкция имеют разный статус.
4. Найти и применить. Хранилище и поиск проверяют права до передачи контекста. Агент проверяет актуальность и условия применения доступной записи; фиксирует, как опыт повлиял на результат.
5. Пересмотреть. При противоречии или изменении источника ограничить применение и исправить запись. При исправлении или отзыве найти зависимые сводки, индексы и инструкции, включая цепочки зависимостей. Исключить затронутые производные из активной выдачи до перепроверки или пересборки; для записей использовать статус «нужна перепроверка» (needs_review). Повторно проверить проблемный сценарий и фактическую выдачу поиска.
6. Свернуть или вывести из использования. Уменьшить шум в выдаче, сохранив нужную адресуемую историю. Удаление оригинала требует отдельного основания владельца.

Из обсуждений восстановлены практики ручной записи после трудного решения, регулярной агентной ревизии, совместной с человеком курации и переноса кандидатов в устойчивые документы. Качество и степень автоматизации различаются. Надёжной оценки активных трудозатрат на обслуживание памяти в этом материале нет.

От проблемы к методу

Альтернативы и открытые вопросы

Для внешней памяти остаются альтернативы: явные файлы и навигация, поисковая база данных, граф связей, автоматическое извлечение, управляемая человеком база. Их можно сочетать; качество записи, поиска, применения и исправления проверяется раздельно. Сопоставимого испытания продуктов в рамках обзора не проводилось.

Отдельная гипотеза из обсуждений — закреплять локальные знания дообучением модели, например через LoRA: обучение небольших дополнительных матриц параметров. В рассмотренном корпусе нет показанного обучения и измеренного результата. Изменение весов модели, внешнее хранилище и исполняемый навык агента — разные механизмы; их пользу нужно проверять отдельно.

Исследовательские подходы и проверки

Исследовательские работы помогают увидеть механизмы и выбрать проверку под задачу. Их результаты получены в разных условиях и не образуют общего рейтинга систем памяти.

Procedural Graphs: память о том, как действовать

В Procedural Graphs память представлена редактируемым графом шагов и переходов. У перехода есть условия применимости, подсказка и типичные ошибки. По текущему положению в графе агент получает ситуативную рекомендацию для следующего действия; она направляет его рассуждение, сохраняя свободу выбора.

Между запусками отдельный процесс сравнивает успешные и неудачные траектории — записи действий агента и ответов среды — и предлагает изменения. Кандидат принимается, если результат на отдельной проверочной выборке не ухудшился; отклонённые изменения тоже сохраняются. Во время решения задачи граф фиксирован. Это пример процедурной памяти с отдельным процессом проверки обновлений.

Близкие способы накопления опыта

• AutoGuide — рекомендации с условиями применения: что вспомнить в текущей ситуации.
• Agent Workflow Memory — повторяемые последовательности действий из прежних решений.
• ReasoningBank — стратегии из успехов и ошибок; самооценка исхода требует отдельной проверки.
• SWE-Exp — опыт диагностики и исправления программ.
• SkillWeaver — опыт работы с сайтом, превращённый в вызываемый программный навык.
• ACE — обновление рабочего справочника отдельными изменениями с сохранением полезных деталей.
• Пути решения как программы. AgentSM сохраняет прошлые или специально подготовленные трассы решения в виде структурированных программ и повторно использует их для преобразования вопросов в язык запросов к базам данных (SQL). Результаты этого предметного механизма нельзя автоматически переносить на произвольную работу агента.

Первые шесть ссылок ведут к отдельным разборам с примерами; первичные работы перечислены в источниках. При проектировании важна форма сохранённого опыта: рекомендацию нужно выбрать и истолковать, процедуру — приспособить к задаче, вызываемый навык — проверить при изменении среды.

Как проверять такую память

LongMemEval различает извлечение фактов, рассуждение между сессиями, работу со временем, обновление знаний и обоснованный отказ от ответа. Это ориентир для проверки разговорной памяти.

В MemoryArena последующие задачи зависят от опыта предыдущих сессий. Здесь проверяется, смог ли агент применить сохранённое в новом действии; успешного воспроизведения прошлого разговора для такой оценки недостаточно.

Ещё одно направление — Titans: обучаемый нейронный модуль долговременной памяти, работающий вместе с механизмом внимания модели. Это изменение архитектуры модели, отдельное от файлов, базы данных, навыков агента и LoRA. Выбор между этими механизмами требует самостоятельного сравнения.

Перечисленные работы подтверждают существование конкретных подходов и способов оценки. Их код и эксперименты в рамках этого обзора не воспроизводились; перенос результатов на персональную или корпоративную AI-ОС остаётся отдельным вопросом.

Современные системы памяти

Внешняя память может быть частью самого агента, отдельным сервисом или библиотекой, из которой разработчик собирает нужный процесс. Ниже — карта подходов по первичной документации, повторно проверенной 17 октября 2026 года. Это выбор примеров с разными механизмами, не полный реестр и не рейтинг. Редакции закреплённых исходников указаны в ссылках.

OpenViking: организованный контекст и опыт

OpenViking объединяет внешние ресурсы — документы и код, извлечённые из сессий воспоминания и повторно используемые навыки. К известной записи можно обратиться по адресу, а неизвестную — найти и затем прочитать. Краткая сводка директории L0 и её обзор L1 помогают выбрать, когда загружать полный источник L2. Эти представления зависят от обработки и конфигурации; их не следует считать обязательными сводками каждого файла.

Приложение записывает сообщения и передаёт сессию на извлечение долговременной памяти. Подключение поиска и передачи сессий остаётся частью интеграции. Интерпретация для выбора: этот подход стоит рассматривать, когда агенту нужен связный маршрут между документами, опытом и процедурами. Источник: введение OpenViking.

Letta: память как часть состояния агента

Letta строится вокруг агента с сохраняемым состоянием: собственной памятью, настройками, инструментами и разговорами. Память общая для разговоров одного агента; отдельные агенты нужны для независимой памяти и идентичности. Источник: stateful agents.

В текущей документации долговременная память представлена MemFS — файловой системой поверх Git-репозитория агента — хранилища файлов с историей изменений. Корневые файлы загружаются в системные инструкции, более глубокие материалы читаются по необходимости. Изменения можно версионировать. Семантический поиск — поиск по смысловой близости запроса и записей — по MemFS не включён по умолчанию. Интерпретация для выбора: это вариант, когда вместе с памятью выбирают среду работы самого агента. Общность памяти нескольких разговоров следует проектировать осознанно. Источник: MemFS.

Honcho: представления о людях и агентах

Honcho организует данные через рабочие пространства, участников — людей, агентов или другие устойчивые сущности — и сессии их взаимодействия. Если рассуждение об участнике включено, новые сообщения запускают фоновое построение и обновление представлений. Система хранит не только явные сообщения, но и выведенные из них заключения; контекст можно получать запросом или через диалоговый интерфейс памяти.

Интерпретация для выбора: такой подход уместен для обсуждения персонализации и длительных отношений между участниками. Для прикладной системы остаётся принципиальным статус вывода: предположение о человеке не равно его явному предпочтению и не становится корпоративным правилом. Источник: архитектура Honcho.

Mem0: извлечение и поиск записей из приложения

В Mem0 приложение передаёт сообщения на добавление, а перед новым ответом ищет релевантные воспоминания и само выбирает, какие передать модели. По умолчанию сохраняются извлечённые сведения, а не дословная переписка. Идентификаторы пользователя, агента, запуска и метаданные задают область поиска.

Для исправления и удаления предусмотрены явные операции. Управляемая платформа и открытая реализация различаются: документация отдельно описывает их поиск и эксплуатацию. Интерпретация для выбора: это пример подключения памяти к существующему приложению через программный интерфейс, без переноса всего агента в новую среду исполнения. Правильную область и права доступа должно обеспечивать приложение. Источник: How Mem0 Works.

Zep и Graphiti: связи и изменения во времени

Graphiti — открытый фреймворк построения и поиска по графам: сущностям и их отношениям. Факты имеют периоды действия и связаны с исходными эпизодами; это позволяет различать актуальное состояние и историю его изменений. Zep предоставляет управляемую инфраструктуру контекста на основе этого подхода. Это разные уровни продукта: самостоятельное использование Graphiti требует сборки и эксплуатации окружающей системы.

Интерпретация для выбора: графовый подход стоит рассматривать, когда вопрос зависит от связей и времени: кто за что отвечал, какое условие действовало на дату, чем заменили решение. Период действия факта не означает, что он утверждён уполномоченным человеком. Источник: Graphiti README.

LangMem: сборка процессов памяти в приложении

LangMem предоставляет разработчику операции извлечения и изменения памяти. Его концептуальная модель различает семантическую память — факты и знания, эпизодическую — опыт взаимодействий, процедурную — правила поведения. Записи могут формироваться в ходе работы или фоном.

Базовые операции не требуют конкретной базы данных. Интеграция с LangGraph добавляет сохранение в хранилище и пространства имён для группировки записей по пользователю, организации или приложению. Интерпретация для выбора: это путь для команды, которая хочет управлять составом и моментом записи памяти в собственном процессе. Пространства имён помогают разделять данные; контроль доступа проектируется отдельно. Источник: Core Concepts.

Как выбирать систему памяти

Начните с пяти вопросов:

1. Что должно переживать сессию? Состояние задачи, профиль человека, события, связи, решения или способ работы требуют разных записей и способов извлечения.
2. Кому принадлежит память? Самому агенту, человеку, приложению, проекту или организации. Несколько разговоров с одним агентом не всегда должны иметь общую память.
3. Как она подключается? Через файлы и навигацию, отдельный программный интерфейс, граф или библиотеку внутри приложения. Установка хранилища сама по себе не подключает сохранение и чтение к рабочему циклу агента.
4. Как запись получает статус? Кто отличает исходное событие от вывода модели, подтверждает правила и решает, что можно применять автоматически.
5. Как её исправить? Можно ли найти источник, изменить или отозвать запись, пересмотреть производные и ограничить её область. Фильтр поиска или пространство имён не заменяет проверку прав вызывающего.

Затем сопоставьте требования с описанными механизмами. Одна система может обслуживать несколько контуров; корпоративная применимость зависит ещё и от источников истины, полномочий и процесса принятия изменений.

Для дальнейшего чтения используйте подборку «Организационная и агентская память»: в ней собраны объяснения, разборы исследований и справочные материалы по теме.

На что опирается обзор

Общая модель выведена из текстовых обсуждений агентной памяти за период с 1 января по 15 октября 2026 года. В исследовательском корпусе — 73 группы источников и 174 уникальных сообщения; исходная частная переписка не публикуется. Описания современных систем и исследовательских подходов добавлены отдельно, по документации разработчиков и первичным научным работам. Редакция обзора и повторная проверка продуктовых описаний — 17 октября 2026 года; версии научных работ указаны в источниках.

Сообщения подтверждают описанный участниками опыт, а документация — заявленное устройство систем. Их эффективность в общей методике здесь не сравнивалась. Большинство реализаций не воспроизводились; неизменяемый снимок исходного архива для первоначального поиска не создавался. Покрытие периода и число сообщений не доказывают полноту смыслового обзора. Классификация и критерии выбора — авторская рабочая модель, а не принятый стандарт.

Автор: Данил Письменный · Дата: 17 октября 2026