· AI Engineer World's Fair 2025
Архитектура памяти агентов: принципы, паттерны и лучшие практики
Architecting Agent Memory: Principles, Patterns, and Best Practices
Надёжному агенту нужна персистентная память, и её стоит строить как отдельный слой с генерацией, хранением, поиском и обновлением записей.
- Типы памяти — разговорная, сущностей, рабочая, краткосрочная и долгосрочная, а также память о прошлых запусках: упавший шаг сохраняется в базе и подмешивается в контекст следующего запуска, чтобы LLM не повторял ту же ошибку.
- Инструменты из базы — JSON-схемы tool calls хранятся в документах и подбираются поиском перед вызовом LLM, поэтому в контекст попадают только нужные инструменты.
- Агентный RAG — retrieval становится инструментом агента, который сам решает, когда искать. По словам спикера, для этого полезна база, где есть векторный, текстовый и графовый поиск одновременно.
- Забывание — спикер советует не удалять воспоминания, а вводить механизмы забывания, например учитывать давность обращения к записи. Он показывает их в экспериментальной библиотеке
Memorizс паттернами памяти.
Кому полезно: тем, кто проектирует агентов, которые помнят пользователя и предыдущие сессии, и хочет понять, какие типы памяти для этого нужны.
Статья по теме
Главы
Ещё доклады: Richmond Alake
Страница спикера →Похожие доклады
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
RAG в 2025 году: современное состояние и перспективы
AI Engineer World's Fair 2025
Близко по содержанию
Как превратить память агента в работающие навыки
Близко по содержанию
От контекста к памяти: вашим agents нужен полноценный слой памяти
AI Engineer World's Fair 2026
Близко по содержанию

