Память ИИ-систем — постоянное знание и память агентов
Устойчивое хранение знаний за пределами одного чат-потока.
В этом разделе собраны руководства по постоянным знаниям и памяти для ИИ-систем — о том, как ассистенты сохраняют факты, предпочтения и обобщённый контекст между сессиями, не пытаясь впихнуть каждый токен в один промпт. Здесь под памятью подразумевается намеренное хранение данных (факты о пользователе, резюме, хранилища, поддерживаемые плагинами), а не оперативная память GPU или веса модели.
Этот раздел дополняет более широкий кластер Системы ИИ — OpenClaw, Hermes, оркестрация — и находится рядом с разделом о RAG, где описаны механики извлечения информации, и Хостинг LLM, посвящённым запуску моделей.
Память является частью общего стека ассистента, описанного в статье Архитектура ИИ-ассистентов, наряду с маршрутизацией, инструментами и наблюдаемостью.
Проектирование памяти для ассистентов
Межфреймворковое руководство по кратковременной, структурированной и ретривал-памяти — политика консолидации, компромиссы векторных подходов и паттерны из OpenAI, LangGraph, Hermes и OpenClaw.
- Системы памяти в ИИ-ассистентах, которые действительно работают — рабочая память, структурированное состояние, слои извлечения и случаи, когда память помогает, а когда вредит
Поставщики памяти для агентов
Готовые бэкенды, предоставляемые фреймворками, такими как Hermes Agent и OpenClaw, — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne и другие, — с различными компромиссами в выборе LLM, эмбеддингов и баз данных.
- Сравнение поставщиков памяти для агентов — полная таблица, сравнение политик захвата данных, примечания о зависимостях и сценарии настройки памяти в Hermes
memory setup
Для ограниченной основной памяти только в Hermes (MEMORY.md / USER.md) см. Система памяти Hermes Agent. Для установки Mnemosyne и пошагового руководства по консервативной политике записи см. Mnemosyne для Hermes Agent: быстрый старт локальной памяти. Для Hindsight в Hermes с локальными эмбеддингами, ранжированием, контролем путей записи и резервным копированием банка данных см. Hindsight для Hermes Agent: самовладельческая память с локальными LLM.
Управление памятью и режимы отказов
Автоматический захват, рефлексия и консолидация могут превратить собственные выводы модели в стойкий «факт», который затем рассматривается как доказательство в последующих сессиях.
- Самоусиляющиеся циклы памяти в ИИ-агентах — семь форм, которые принимает эта обратная связь, почему происхождение данных (провенанс) важнее эмбеддингов и как проверить, отказывается ли поставщик запоминать недостоверную информацию
Графы знаний и Cognee
Институциональные и проектные знания, извлечённые в графы для ассистентов с поддержкой извлечения информации.
- Самовладельческий Cognee — выбор LLM на Ollama — практический быстрый старт с Cognee с использованием локальных моделей
- Выбор правильной LLM для Cognee — локальная настройка Ollama — сравнение моделей: качество графа против требований к аппаратному обеспечению
Конструкторы графов, такие как Cognee, как правило, импортируют хранилища Markdown, вики или выгрузки, которые люди уже отредактировали — значимость, именование и ответ на вопрос «почему это было важно» в значительной степени решаются до того, как чанки попадают в эмбеддинги. Беспорядочный корпус исходных данных возвращает неоднозначность обратно в ассистент; же дисциплинированные рабочие процессы захвата знаний через выражение (запись) ограничивают этот ущерб. Для этого подхода с фокусом на человеке — включая то, чем он отличается от RAG, ориентированного на извлечение, — см. Второй мозг для инженеров.
