Pamięć systemów AI — trwała wiedza i pamięć agentów
Trwała wiedza wykraczająca poza pojedynczą konwersację.
Ten dział zbiera przewodniki dotyczące trwałej wiedzy i pamięci dla systemów AI — jak asystenci utrzymują fakty, preferencje i skondensowany kontekst między sesjami, bez wciskania każdego tokena do jednego promptu. Pamięć oznacza tutaj celowe utrwalanie (fakty o użytkowniku, streszczenia, magazyny wspierane przez wtyczki), a nie pamięć GPU ani wagi modelu.
Uzupełnia szerszy klastro Systemy AI — OpenClaw, Hermes, orchestracja — i znajduje się obok RAG dotyczącego mechanizmów odzyskiwania oraz LLM Hosting dotyczącego uruchamiania modeli.
Pamięć mieści się w szerszym stosie asystenta opisanym w Architektura asystenta AI obok routingu, narzędzi i observability.
Projektowanie pamięci dla asystentów
Przewodnik wieloplatformowy dotyczący pamięci krótkotrwałej, strukturalnej i odzyskiwania — polityka konsolidacji, kompromisy wektorowe oraz wzorce z OpenAI, LangGraph, Hermes i OpenClaw.
- Systemy pamięci w asystentach AI, które naprawdę pomagają — pamięć robocza, stan strukturalny, warstwy odzyskiwania oraz kiedy pamięć pomaga, a kiedy szkodzi
Dostawcy pamięci agentów
Gotowe backends wystawiane przez frameworki takie jak Hermes Agent i OpenClaw — Honcho, OpenViking, Mem0, Hindsight i inne — z różnymi kompromisami dotyczącymi LLM, embeddingów i baz danych.
- Porównanie dostawców pamięci agentów — pełna tabela, uwagi dotyczące zależności oraz przepływy
memory setupdla Hermes
Dla pamięci rdzeniowej Hermes o ograniczonym zakresie (MEMORY.md / USER.md), zobacz System pamięci agenta Hermes.
Grafy wiedzy i Cognee
Wiedza instytucjonalna i projektowa wyodrębniona do grafów dla asystentów świadomych odzyskiwania.
- Samodzielne hostowanie Cognee — Wybór LLM na Ollama — praktyczne wprowadzenie do Cognee z lokalnymi modelami
- Wybór odpowiedniego LLM dla Cognee — Konfiguracja lokalna Ollama — porównanie modeli pod kątem jakości grafu względem sprzętu
Narzędzia do budowania grafów, takie jak Cognee, zazwyczaj pobierają składy Markdown, wiki lub eksporty, które użytkownicy już edytowali — istotność, nazewnictwo i „dlaczego to było ważne” są w dużej mierze ustalone, zanim fragmenty trafiają do embeddingów. Niedbale przygotowany korpus źródłowy uczy asystenta niejednoznaczności; dyscyplinowane przepływy pracy od przechwytywania do ekspresji ograniczają te szkody. Aby uzyskać bardziej ludzką ramę interpretacyjną — w tym jak różni się ona od RAG opartego na odzyskiwaniu — zobacz Second brain wyjaśnione dla inżynierów.
