#память_агента — Public Fediverse posts

Записать — не значит вспомнить: месяц внешней памяти для ИИ-агента

Однажды я потерял чат. Не то чтобы катастрофа — обычная рабочая сессия по проверке студенческих домашек. Экспорт я не делал, в лог ничего не писал. И чат пропал. Скорее всего, я сам его и удалил, но точно уже не вспомню. Уцелело только то, что я до этого руками сохранил за пределами чата, все остальное просто перестало существовать. И тут мне пришла в голову мысль: ровно то же самое происходит с моделью на каждой длинной сессии, когда данные вылетают из контекста из-за сжатия. А что, если дать агенту независимую память, которая живет не внутри чата и не зависит от того, решит модель это выбросить или нет? Так появился проект MemShelf

https://habr.com/ru/companies/basis/articles/1093924/

#git #mcp #токены #llm #claude #контекстное_окно #ииагенты #память_llm #память_агента

Общая память проекта для Claude Code и Codex

Мне хотелось, чтобы Claude Code и Codex работали с одними и теми же знаниями о проекте. Я перенес заметки в Markdown-файлы внутри репозитория и добавил обоим агентам инструкции читать и обновлять их. Покажу структуру, настройки и полный скилл для переноса памяти в другой проект.

https://habr.com/ru/articles/1091422/

#claude_code #codex #aiагенты #память_агента #context_engineering #agentsmd #markdown #memory_bank

Эксперименты с Радиантом: память агента против окна в миллион токенов

Проверил, найдёт ли агент Коворк в рабочей переписке сообщения возрастом до пяти лет. Память Радианта нашла 15 из 15, хотя даже окно на миллион токенов вмещает переписку только за последние четыре месяца.

https://habr.com/ru/companies/bitrix/articles/1088608/

#llm #контекстное_окно #longcontext_llm #память_агента #aiагенты #rag #битрикс24

ИИ: личный опыт без хайпа. Часть 0. Термины, связи и устройство

LLM, агенты, RAG, MCP, Skills, память, промты и harness часто обсуждают по отдельности. Из-за этого одни и те же слова понимают по-разному, а возможности модели путают с возможностями всей системы. В статье я собираю эти понятия в единую схему, показываю связи между ними и на примере RSS-разбора объясняю, как формализация процесса, инструменты, память и контроль делают работу ИИ-системы более управляемой и стабильной.

https://habr.com/ru/articles/1084512/

#искусственный_интеллект #LLM #ИИагенты #RAG #MCP #Agent_Skills #память_агента #prompt #AI_harness #agent_workflow

Скилл, который учится на ошибках AI‑агента, или Как автоматизировать обучение скилла

Что если AI‑агент сможет не просто исправить ошибку, а извлекать из этого урок? В статье рассказываю как автоматизировать процесс обучения скилла. Покажу на примерах как организовать память скилла и автоматизировать его обучение: собрать доказательства, воспроизвести дефект, сформулировать новое правило, протестировать проверить его и вернуть обновлённый скилл в рабочий проект.

https://habr.com/ru/articles/1074184/

#ai #skill #Agent_Skills #AIагенты #триаж #самообучающиеся_скиллы #humanintheloop #память_агента #evalgates #claude

У Claude Code уже есть такая память. Тогда зачем я держу свою?

В прошлой статье я показал, как держу память агента на md-файлах вместо вектор-базы. Теперь разбираю, чем она отличается от встроенной памяти Claude Code, зачем держу свою в git и что вообще стоит в нее писать.

https://habr.com/ru/articles/1072876/

#Claude_Code #LLMагенты #AIагенты #память_агента #долговременная_память #RAG #векторБД #эмбеддинги #markdown #git

Я убил все RAG‑системы и понял, как делать AGI. Или просто заменил RAG правилом в шесть строк

Или я убил все RAG‑системы и понял, как делать AGI. Или просто заменил RAG правилом в шесть строк RAG ищет похожее, а не истинное сейчас, и на этом ломается память ИИ‑агентов. Собрал за двое суток векторную память на Rust, где детерминированное правило свежести бьёт нейросеть 100% против 3,8%, а по скорости чтения она обходит четыре промышленные базы. С кодом, стендом и честными слабыми местами.

https://habr.com/ru/articles/1066894/

#RAG #векторная_база_данных #память_агента #AIагенты #галлюцинации_LLM #Qdrant #pgvector #Manticore #искусственный_интеллект #AGI

Внешний бенчмарк причинного recall: проверяем память ИИ-ассистента на YDB Яндекса

Коротко, о чём речь, — для тех, кто пришёл по слову «Яндекс» и предыстории не знает. Когда ИИ-ассистент помогает чинить баг, самое ценное — не сочинить ответ с нуля, а вспомнить : похожий симптом уже разбирали, вот issue, вот причина, вот PR с фиксом. Вопрос ровно один — достаёт ли ассистент это прошлое решение из памяти. Мы это померили на своём корпусе тикетов и получили две цифры. Обычный семантический поиск (по смыслу слов) находит нужный прошлый фикс по симптому лишь в 38% случаев; обход явных причинных связей «issue → закрывший его PR» — в 87% . То есть сходство слов упирается в треть, а явные связи поднимают recall в разы.

https://habr.com/ru/articles/1065112/

#ИИагенты #память_агента #RAG #бенчмарк #recall #графовая_память #эмбеддинги #семантический_поиск #YDB #воспроизводимость

Строили ANN руками — когда это того стоило, а когда нет

Сразу отвечаю на вопрос, который вы задали бы в первом же комментарии: а почему не pgvector? Короткий ответ: ровно то, что pgvector делает хорошо — генерацию кандидатов (найти top‑k ближайших по косинусу) — мы и советуем отдавать pgvector, если он у вас есть. Свой ANN мы написали, потому что (1) pgvector есть не везде, где должна работать наша память, и (2) самое ценное в нашей задаче — вообще не генерация кандидатов. Про это вся статья, так что давайте по порядку.

https://habr.com/ru/articles/1063914/

#ANN #HNSW #pgvector #векторный_поиск #PostgreSQL #Personalized_PageRank #HippoRAG #память_агента #ИИагенты

Почему мы не написали ещё один Bad CaRMa

«Bad CaRMa» — глава из Dreaming in Code Скотта Розенберга (каламбур на CRM и «карму») про CRM-систему Vision в компании Upstart. Архитектор задумал предельно гибкую схему: одна-единственная таблица DATA , куда сложили все 150+ бизнес-сущностей — 240+ колонок с именами вроде string82 и numeric31 , метаданные и данные вперемешку. Схему ведь больше «никогда не придётся менять». Практики на грани

https://habr.com/ru/articles/1062550/

#EAV #модель_данных #Bad_CaRMa #PostgreSQL #Datomic #память_агента #ИИагенты

Поймали ИИ-агента на вранье — его же памятью

На днях наш агент собрался дежурно отчитаться об успехе. Прежде чем нажать «готово», он сверился с собственной памятью — и нашёл там запись из прошлой сессии: эту идею он уже проверял на реальных данных, и она провалилась. Он остановил сам себя, до ложного отчёта. Это не рекламная зарисовка, это лог из жизни. Ниже — два таких лога подряд, и во втором память заставила нас выбросить фичу, которой мы гордились. Хватай за цифровой хвост

https://habr.com/ru/articles/1061628/

#ИИагенты #память_агента #LLM #RAG #векторный_поиск #эмбеддинги #графовая_память #ранжирование #MRR #HippoRAG

[Перевод] Как правильно заLOOPить Fable 5

Модели класса Mythos (такие как Claude Fable 5 ) изменили рабочий процесс многих из нас в Anthropic. Хочу поделиться двумя советами, как работать с этим классом моделей эффективнее.

https://habr.com/ru/articles/1046451/

#Claude_Fable_5 #AIагенты #самокоррекция #агентные_циклы #Claude_Managed_Agents #память_агента #Parameter_Golf #бенчмарки_LLM #промптинжиниринг #Anthropic

Codex жрёт контекст? Я дал ему локальную память на SQLite — и перестал кормить его простынями промптов

Codex хорош, пока не приходится в пятый раз объяснять ему одни и те же правила проекта: где проверки прав, как запускать тесты, почему не надо тащить старые alias-модули и что мы уже решали в прошлом чате. Поэтому я сделал Hermes Codex Plugin — плагин, который хранит правила, summaries и прошлые решения в SQLite, ищет их через FTS5 и подкладывает Codex только маленький релевантный кусок контекста.

https://habr.com/ru/articles/1045262/

#Codex #память_агента #MCP #SQLite #экономия_токенов #контекст_LLM #coding_agent #Hermes_Codex_Plugin