AI-агент может запомнить требования к отчёту, учесть предыдущие замечания и продолжить работу с того места, где остановился. Для этого ему нужна память — механизм, который сохраняет информацию и позволяет использовать её в следующих задачах. Разберём, как устроена память AI-агента, чем краткосрочная отличается от долговременной и как проверить её работу на практике.
Что такое память AI-агента простыми словами
Память AI-агента (AI Agent Memory) — это механизм, который позволяет искусственному интеллекту сохранять информацию о предыдущих разговорах, действиях и задачах, а затем использовать её в дальнейшей работе.
Представим, что маркетолог поручает AI-агенту ежемесячно готовить презентации для клиентов. В первом разговоре он объясняет, какие показатели нужны, как оформлять слайды и какие цвета использовать. Агент выполняет задание, получает замечания и исправляет презентацию.
Через месяц специалист просит подготовить новый отчёт. Если у агента настроена долговременная память, он сможет использовать ранее сохранённые требования. Не придётся снова объяснять, что презентация должна состоять из шести слайдов, суммы нужно указывать в рублях, а заголовки должны содержать конкретные выводы.
При этом агенту необязательно хранить весь предыдущий разговор. Достаточно сохранить полезные сведения, которые пригодятся в следующих задачах: требования к оформлению, предпочтения пользователя или правила работы с данными.
Важно понимать, что память AI-агента не означает постоянное обучение самой нейросети. Обычно информация хранится отдельно от языковой модели: в базе данных, файлах или специальном хранилище. Когда она понадобится, система найдёт нужные записи и передаст их модели вместе с новым запросом.
Как работает память AI-агента
Вернёмся к примеру с маркетинговыми отчётами. Пользователь просит сравнить результаты рекламных кампаний за октябрь. Агент получает свежие показатели, но уже знает, что этому клиенту нужны короткие презентации с расчётом CPC, CR и CPL.
Чтобы использовать прошлые требования, система должна сначала сохранить их, а затем найти в подходящий момент.
В упрощённом виде процесс выглядит так:
- Получение информации. Агент получает запрос пользователя, данные и доступную историю разговора.
- Сохранение. Система выделяет сведения, которые пригодятся в дальнейшем, например правила оформления отчётов.
- Поиск. При следующем обращении агент находит записи, связанные с новой задачей.
- Использование. Найденная информация передаётся языковой модели вместе с текущим запросом.
- Обновление. Если требования изменились, система исправляет или удаляет старые записи.
Последний этап особенно важен. Допустим, раньше клиенту нужны были презентации на шесть слайдов, а теперь он попросил подробные отчёты на десять. Если агент продолжит использовать прежнее правило, память начнёт мешать работе.
Поэтому при разработке недостаточно просто сохранять информацию. Нужно предусмотреть её поиск, обновление, удаление и проверку актуальности.
Краткосрочная и долговременная память AI-агента
Обычно память AI-агентов делят на два основных типа: краткосрочную и долговременную. Они решают разные задачи, но могут использоваться одновременно.
Краткосрочная память
Краткосрочная память (Short-Term Memory) помогает агенту сохранять контекст текущего разговора или рабочего процесса.
Например, пользователь загружает Excel с рекламной статистикой и просит рассчитать стоимость заявки. Агент выполняет расчёт и строит таблицу. Затем пользователь пишет: «Теперь сделай из неё диаграмму».
Чтобы выполнить эту просьбу, агент должен понимать, о какой таблице идёт речь, какие показатели были рассчитаны и какие данные использовались. Без сохранения контекста ему пришлось бы заново запрашивать информацию.
В краткосрочной памяти могут находиться предыдущие сообщения, промежуточные результаты, ответы внешних сервисов и текущее состояние задачи. В некоторых системах это состояние сохраняется между запусками, поэтому прерванную работу можно продолжить.
Но сохранение истории одного разговора ещё не означает, что агент сможет использовать её в совершенно другой беседе. Для этого обычно нужна долговременная память или отдельный механизм поиска по прошлым разговорам.
Долговременная память
Долговременная память (Long-Term Memory) позволяет сохранять сведения для использования в новых разговорах и задачах.
Например, агент однажды узнал, что клиент предпочитает минималистичные презентации, определённые фирменные цвета и короткие заголовки. Эти требования можно сохранить отдельно от истории беседы.
Когда маркетолог вернётся через месяц, агент получит новый запрос, найдёт подходящие записи и учтёт их при подготовке презентации.
В долговременной памяти могут храниться предпочтения пользователей, правила компании, сведения о проектах и полезные результаты предыдущих задач. Главное, чтобы система умела находить именно те записи, которые относятся к текущей работе.
| Критерий | Краткосрочная память | Долговременная память |
| Что хранит | Контекст текущей беседы | Информацию для будущих задач |
| Пример | Данные отчёта за октябрь | Правила оформления всех отчётов |
| Где используется | В пределах разговора | Между разными разговорами |
| Как реализуется | История сообщений и состояние задачи | База данных, файлы или отдельное хранилище |
Оба механизма могут дополнять друг друга. Когда агент создаёт новый отчёт, ему нужны свежие показатели из текущей задачи и ранее сохранённые требования к оформлению.
Что именно может запоминать AI-агент
В разработке AI-агентов память также разделяют по назначению. Чаще всего выделяют три категории.
Семантическая память (Semantic Memory) хранит факты и знания. Например, название компании, валюту отчётности, рекламные каналы или предпочтения клиента.
Эпизодическая память (Episodic Memory) содержит сведения о предыдущих событиях и выполненных задачах. Например, агент может сохранить информацию о том, что в прошлом отчёте клиент попросил изменить диаграмму и остался доволен результатом.
Процедурная память (Procedural Memory) описывает правила выполнения действий. Например, перед созданием рекламного отчёта нужно проверить исходные данные, рассчитать CPL и не делать выводов о прибыльности без информации о продажах.
Эти сведения необязательно хранить в трёх отдельных базах. Разработчик может использовать одно хранилище, разделяя записи по типу, пользователю и назначению.
Гораздо важнее правильно выбирать информацию для сохранения. Предпочтение «Использовать рубли в финансовых отчётах» может пригодиться много раз. А просьба «Сегодня сделайте заголовок красным» вполне может относиться только к одному заданию.
Где используют память AI-агентов
Память особенно полезна там, где пользователи регулярно возвращаются к одним и тем же задачам. Она помогает учитывать предыдущие решения и не заставлять человека каждый раз заново объяснять требования.
Маркетинг и рекламная аналитика
Представим агентство, которое работает с несколькими рекламодателями. Для каждого клиента нужны свои отчёты: одному важна стоимость заявки, другому — конверсия в продажу, третьему — динамика расходов по неделям.
AI-агент может сохранять правила оформления и расчётов отдельно для каждого проекта. Например, помнить, что одному клиенту нужны еженедельные отчёты в таблице, а другому — презентация в фирменных цветах.
При этом актуальные показатели агент должен получать из рекламных кабинетов, CRM или других источников. Память помогает сохранить правила работы, но не заменяет свежую статистику.
Поддержка клиентов
Предположим, покупатель обратился в поддержку интернет-магазина из-за задержки доставки. Агент уточнил номер заказа, передал обращение сотруднику и сохранил идентификатор заявки.
Если покупатель напишет повторно, система сможет найти предыдущее обращение и проверить его состояние. Человеку не придётся ещё раз описывать всю ситуацию.
Но такие данные должны быть доступны только уполномоченным пользователям. Поэтому при создании памяти для службы поддержки важно предусмотреть разграничение доступа и проверку прав перед получением информации.
Разработка программ
ИИ-агент для программирования может сохранять сведения о структуре проекта, принятых технических решениях и правилах оформления кода.
Например, разработчик объяснил агенту, какие проверки нужно проводить перед отправкой изменений. Эти требования можно сохранить, чтобы использовать при следующих задачах.
Однако память не заменяет актуальные файлы проекта. Если разработчик изменил структуру приложения, агенту необходимо проверить новые файлы, а не полагаться на сохранённое описание.
Для подобных задач используют специальные инструменты разработки ИИ-приложений. Например, LangChain позволяет создавать агентов на Python, подключать их к внешним сервисам и управлять взаимодействием с языковыми моделями.
Реальный пример: как LangChain научила AI-агента запоминать предпочтения дизайнеров
27 октября 2026 года LangChain рассказала о работе собственного AI-агента Content Studio. Компания использует его для подготовки презентаций, рекламных изображений, видеороликов и других маркетинговых материалов.
Изначально агент умел создавать нужные файлы, но не всегда соблюдал требования дизайнеров. Например, мог неправильно использовать фирменные цвета или выбирать неподходящие композиции. Сотрудникам приходилось повторять замечания при выполнении новых задач.
Чтобы решить проблему, разработчики добавили несколько уровней памяти.
Когда сотрудник объясняет новое правило, агент может сохранить его сразу во время разговора. При этом личные предпочтения пользователя хранятся отдельно от общих требований команды. Если возникает противоречие, корпоративные правила имеют приоритет.
Есть и второй механизм. После завершения задачи специальный процесс анализирует результаты работы и выделяет полезные замечания. Позднее они могут использоваться при выполнении похожих заданий.
Но в процессе разработки возникла другая проблема: накопилось слишком много инструкций. По словам команды, одна из ранних версий загружаемого контекста разрослась примерно до 500 тысяч токенов.
Разработчики изменили структуру памяти. Теперь основные файлы содержат короткие указатели на нужные материалы, а подробные инструкции загружаются по необходимости.
По данным LangChain, Content Studio подготовил более 3000 материалов, включая свыше 80 презентаций. Эти результаты относятся к конкретному внутреннему инструменту компании, а не ко всем AI-агентам с памятью.
Этот пример показывает, почему для хорошей памяти недостаточно сохранять всё подряд. Агенту нужно быстро находить полезную информацию и не перегружать модель старыми разговорами.
Как создать простую память на Python
Посмотрим, как выглядит сохранение информации на практике. Для начала не будем подключать языковую модель — сначала разберём механизм, который позволяет хранить данные между запусками программы.
Используем Python и SQLite. Это небольшая база данных, с которой Python умеет работать без установки дополнительных библиотек.
Допустим, мы хотим сохранить правило: отчёты для клиента должны состоять из шести слайдов, а суммы нужно указывать в рублях.
Создайте файл ai_agent_memory_demo.py и добавьте следующий код:
import sqlite3
import sys
DB = "agent_memory_demo.sqlite3"
USER_ID = "demo_user"
with sqlite3.connect(DB) as connection:
connection.execute("""
CREATE TABLE IF NOT EXISTS memories (
user_id TEXT NOT NULL,
key TEXT NOT NULL,
value TEXT NOT NULL,
PRIMARY KEY (user_id, key)
)
""")
command = sys.argv[1] if len(sys.argv) > 1 else "show"
if command == "save":
connection.execute("""
INSERT INTO memories (user_id, key, value)
VALUES (?, ?, ?)
ON CONFLICT(user_id, key)
DO UPDATE SET value = excluded.value
""", (
USER_ID,
"report_format",
"6 слайдов, суммы в рублях"
))
print("Правило сохранено")
elif command == "show":
row = connection.execute("""
SELECT value FROM memories
WHERE user_id = ? AND key = ?
""", (USER_ID, "report_format")).fetchone()
print(row[0] if row else "Правило не найдено")
elif command == "delete":
connection.execute("""
DELETE FROM memories
WHERE user_id = ? AND key = ?
""", (USER_ID, "report_format"))
print("Правило удалено")
else:
print("Используйте: save, show или delete")Здесь используются три команды: сохранить информацию, прочитать её и удалить. Данные записываются в локальную базу agent_memory_demo.sqlite3.
Сохраните правило
Откройте терминал в папке с программой и выполните:
python ai_agent_memory_demo.py saveПрограмма создаст базу данных, если её ещё нет, и сохранит правило оформления отчёта.
Проверьте память после нового запуска
Закройте программу и выполните другую команду:
python ai_agent_memory_demo.py showВ терминале появится:
6 слайдов, суммы в рубляхИнформация сохранилась между отдельными запусками. Программа не держала её всё это время в оперативной памяти — она прочитала запись из SQLite.
Удалите сохранённое правило
Выполните:
python ai_agent_memory_demo.py deleteЗатем повторите команду show. Теперь программа сообщит, что запись не найдена.
Этот небольшой эксперимент показывает три важные операции с долговременной памятью: сохранение, поиск и удаление.
Конечно, сама по себе программа ещё не является AI-агентом. Она не обращается к нейросети и не решает самостоятельно, какую информацию нужно сохранить. Но именно такой механизм хранения можно использовать как один из компонентов полноценного ИИ-приложения.
Как добавить память AI-агенту с помощью LangChain и LangGraph
Для настоящих ИИ-приложений разработчики обычно используют готовые инструменты, которые помогают сохранять историю выполнения и работать с данными между разговорами.
Например, в LangChain и LangGraph предусмотрены два основных механизма.
Checkpointer сохраняет состояние конкретного разговора. Это позволяет агенту продолжать работу, учитывая предыдущие сообщения и результаты выполненных действий.
Store предназначен для сохранения информации, которая должна быть доступна между разными разговорами. Например, в нём можно хранить предпочтения пользователей, сведения о проектах и правила выполнения задач.
Для краткосрочной памяти используется идентификатор разговора thread_id. По нему система понимает, какое сохранённое состояние нужно восстановить.
В долговременной памяти информацию обычно организуют по отдельным областям хранения, которые называются namespaces. Например, можно создать пространство для конкретного пользователя или проекта, чтобы записи разных клиентов не смешивались.
В учебных примерах встречаются InMemorySaver и InMemoryStore. Они удобны для первых экспериментов, но сохраняют данные в памяти работающей программы. Для приложений, которые должны помнить информацию после перезапуска, используют постоянное хранилище, например PostgreSQL.
У OpenAI Agents SDK тоже есть механизм сессий. Он позволяет сохранять историю разговора между вызовами агента. Для локальных проектов, например, можно использовать SQLiteSession с сохранением истории в файл.
Таким образом, разработчику необязательно самостоятельно писать всю систему памяти с нуля. Но нужно определить, какую информацию агент должен хранить, как долго она остаётся актуальной и кто имеет право её изменять.
Курс «Инженер генеративного ИИ» в Академии IT DMS
Сертификат, диплом о переподготовке или удостоверение о повышении квалификации.
AFFTIMES−5 % на первую покупку. Скидка суммируется с любыми акциями школы. Если оплачиваете через менеджера в чате, назовите ему промокод.
Чем память AI-агента отличается от RAG и контекстного окна
Память часто упоминают вместе с RAG и контекстным окном языковой модели. Эти технологии связаны, но выполняют разные задачи.
Контекстное окно — это объём информации, который модель может учитывать при обработке одного запроса. В него входят инструкции, сообщения и другие предоставленные данные. Размер контекста ограничен, поэтому бесконечно добавлять в него историю разговоров нельзя.
RAG (Retrieval-Augmented Generation) — подход, при котором система ищет информацию во внешних источниках и передаёт найденные материалы модели. Например, агент может искать правила возврата в базе знаний интернет-магазина, чтобы ответить покупателю.
Память AI-агента позволяет сохранять и повторно использовать сведения о предыдущих задачах, предпочтениях и взаимодействиях.
| Механизм | Для чего нужен |
| Контекстное окно | Позволяет модели учитывать предоставленную информацию во время запроса |
| RAG | Находит нужные сведения во внешних источниках |
| Память | Сохраняет информацию для повторного использования |
Эти механизмы могут работать вместе. Например, агент получает новый запрос, извлекает из памяти требования к отчёту, через RAG находит корпоративные правила и передаёт всё это языковой модели.
Для поиска информации по смыслу часто используют эмбеддинги — числовые представления текста, которые помогают находить похожие по содержанию фрагменты. Подробнее об этом можно прочитать в материале «Что такое эмбеддинг в нейросети и как он работает».
При этом RAG не обязательно включает память между разговорами. Если приложение каждый раз ищет информацию в одной и той же базе знаний, оно ещё не обязательно запоминает новые сведения о пользователе.
Какие проблемы могут возникнуть с памятью AI-агента
Память помогает выполнять повторяющиеся задачи, но иногда сохранённая информация начинает мешать. Особенно если записи устарели, противоречат друг другу или попали не к тому пользователю.
Агент запомнил неверную информацию
Допустим, пользователь случайно указал неправильную сумму рекламного бюджета, а агент сохранил её как постоянный факт. Через месяц эта цифра может попасть в новый отчёт.
Чтобы избежать таких ситуаций, полезно хранить источник информации, время сохранения и назначение записи. Для важных данных также стоит предусмотреть подтверждение перед сохранением.
Если новые сведения противоречат старым, система должна уметь обновлять записи, а при необходимости уточнять информацию у пользователя.
Память переполнена ненужными деталями
Если сохранять каждое сообщение, промежуточный расчёт и результат вызова инструмента, найти нужную информацию становится сложнее. Агент может получать слишком большой объём контекста, а полезные правила затеряются среди старых данных.
Один из вариантов решения — сохранять короткие итоги задач и отдельные инструкции вместо всей переписки. Полную историю можно оставлять в архиве и обращаться к ней только при необходимости.
Но и здесь нужна осторожность. При сокращении длинного разговора система может потерять важные детали, поэтому критичные сведения лучше хранить отдельно.
Смешиваются данные разных пользователей
Представим, что агентство ведёт несколько рекламных проектов. Если система неправильно организовала память, агент может случайно использовать информацию одного клиента при подготовке отчёта для другого.
Поэтому записи нужно разделять по пользователям и проектам, а перед извлечением проверять права доступа.
Особенно внимательно стоит относиться к персональным данным, внутренним документам и конфиденциальной информации. Пароли и API-ключи не следует хранить как обычные текстовые воспоминания агента.
В память попали вредоносные инструкции
Есть и менее очевидная проблема — memory poisoning, или отравление памяти.
Допустим, агент изучает внешний сайт и находит текст, содержащий инструкцию изменить правила работы. Если система сохранит такое сообщение как доверенное указание, оно может влиять на следующие действия агента.
Поэтому содержимое сайтов, писем и документов нельзя автоматически считать надёжными инструкциями. Для сохранения новых правил нужны проверки источников и ограничения доступа.
Как проверить память AI-агента на практике
Если вы разрабатываете агента или используете конструктор с поддержкой памяти, проведите небольшой тест. Он поможет понять, действительно ли система сохраняет сведения и правильно использует их в новых задачах.
Начните с безопасного правила, например: «Для отчётов этого проекта используй рубли и короткие заголовки». Затем попросите агента подготовить небольшой отчёт и завершите разговор.
После этого откройте новый разговор и задайте похожую задачу без повторения требований. Если долговременная память работает, агент должен найти сохранённое правило и учесть его.
Теперь измените условие: попросите использовать доллары вместо рублей. В следующем разговоре проверьте, не вернулся ли агент к старой настройке. Так можно увидеть, умеет ли система обновлять память.
Последний этап — удаление. Уберите тестовое правило из хранилища и убедитесь, что оно больше не используется при новых запросах.
При этом одного правильного ответа недостаточно, чтобы доказать работу памяти. Иногда модель может просто угадать подходящий формат. Поэтому при разработке полезно проверять журналы выполнения и смотреть, какие записи система действительно извлекала.
Создание такой памяти — одна из задач ИИ-инженера. Помимо работы с языковыми моделями, специалисту приходится разбираться в базах данных, API, проверке качества и безопасности приложений. Подробнее об этой профессии рассказываем в статье «ИИ-инженер: кто это, чем занимается и как им стать».
FAQ
Память AI-агента — механизм сохранения и повторного использования информации о предыдущих разговорах, действиях и задачах. Она помогает агенту учитывать прошлый опыт при выполнении новых запросов.
Краткосрочная память хранит контекст текущего разговора. Долговременная позволяет сохранять и использовать информацию между разными разговорами и задачами.
В зависимости от реализации память может находиться в базе данных, файлах или специализированном хранилище. Агент извлекает подходящие записи и передаёт их языковой модели.
RAG помогает находить информацию во внешних источниках, а память позволяет сохранять сведения о предыдущих взаимодействиях и использовать их в будущих задачах. Эти механизмы могут работать вместе.
Да. Для простого примера можно использовать SQLite. Для более сложных приложений подходят LangChain и LangGraph с механизмами Checkpointer и Store, а также сессии OpenAI Agents SDK.
Нет. Обычно сохранённая информация хранится отдельно от модели и передаётся ей при обработке запросов. Веса нейросети при этом не изменяются.
