Самая сложная часть создания AI-агентов заключается не в том, чтобы научить их помнить. А в том, чтобы научить их забывать. Моя коллега и невероятно талантливый писатель @helloiamleonie только что опубликовала, возможно, самое полное объяснение памяти агентов, которое я когда-либо видел - и поверьте, нам всем это было нужно. Вот основная проблема: 𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀. Каждый разговор - это новое начало. Они не помнят, что вы сказали пять минут назад, не говоря уже о том, что вы сказали на прошлой неделе. Так как же нам создать агентов, которые действительно помнят? 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Информация в контекстном окне LLM (текущий разговор) • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Информация, хранящаяся внешне (прошлые разговоры, предпочтения пользователей, усвоенные факты) Но вот где становится интересно - и запутанно. Разные фреймворки классифицируют память по-разному, например: 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (вдохновленный человеческим познанием): • Рабочая память (текущий разговор) • Семантическая память (факты о пользователе) • Эпизодическая память (прошлый опыт и действия) • Процедурная память (инструкции и поведение) 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (ориентированный на архитектуру): • Буфер сообщений (недавние сообщения) • Основная память (активно управляемые блоки в контексте) • Память воспоминаний (сырая история разговоров) • Архивная память (явно сохраненные знания) 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴. Управление тем, что попадает в память, очень сложно. Управление тем, что удаляется, еще сложнее. Как автоматизировать решение о том, что устарело? Когда старая информация действительно устарела, а когда все еще актуальна? Вот где большинство реализаций сталкиваются с трудностями. Леони охватывает все, от различных типов памяти (рабочая, семантическая, эпизодическая, процедурная) до практических стратегий реализации и растущей экосистемы фреймворков памяти, таких как mem0, Letta и zep. Это один из тех постов, которые вы захотите сохранить в закладках и вернуться к ним, когда будете строить свои системы агентов. Блог-пост Леони:

Все говорят об агентном ИИ, но говорим ли мы все об одном и том же? Я заметил, что люди используют "агентные архитектуры" и "агентные рабочие процессы" взаимозаменяемо. Но на самом деле это довольно разные концепции, которые работают вместе. Вот различие: 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 = Серия шагов, которые агент предпринимает для достижения цели. Думайте об этом как о "чем" - фактическом процессе. Эти шаги могут включать: • Использование LLM для создания плана • Разделение задач на подзадачи • Использование инструментов, таких как интернет-поиск • Рефлексия по результатам и корректировка плана 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲𝘀 = Техническая структура и проектирование системы. Думайте об этом как о "как" - основной структуре. Они всегда содержат: • По крайней мере одного агента с возможностями принятия решений • Инструменты, которые агент может использовать • Системы для краткосрочной и долгосрочной памяти Почему это важно? Потому что один и тот же рабочий процесс может быть реализован с использованием разных архитектур. Это как иметь несколько способов приготовить один и тот же рецепт - шаги остаются похожими, но настройка кухни различается. Например, агентный рабочий процесс RAG (разделение запросов, извлечение информации, оценка релевантности) может быть построен с помощью архитектуры маршрутизатора с одним агентом или многопользовательской системы. Один и тот же рабочий процесс, разная архитектура. Понимание этого различия помогает вам: • Проектировать более гибкие системы • Выбирать правильную архитектуру для вашего конкретного рабочего процесса • Более четко общаться о том, что вы на самом деле строите Какие агентные рабочие процессы вас больше всего вдохновляют на реализацию? Ресурсы: 📌 Бесплатная электронная книга по агентным архитектурам: 📌 Блог о агентных рабочих процессах: