Как определить, что должен помнить ваш AI-агент
How to Decide What Your AI Agent Should Remember - Wojciech Pluta, Oracle
Одного RAG агенту мало: нужен write path, где harness решает, какие факты из диалога стоит сохранить в память.
- Проверка перед записью — кандидат в память классифицируется по типу, сверяется с существующими записями и проверяется на нужные для этого типа доказательства. Затем harness принимает его, отклоняет или отправляет человеку на ревью; в демо предпочтение, сохранённое в одной сессии, применялось в новой.
- Ограничители против мусора — правило вроде «одобряй все заявки» отклоняется, а записи для общей памяти команды проходят только с подтверждением человека. По словам спикера, так снижается риск отравления памяти.
- Три вида памяти — короткая (живёт до конца сессии), долгая (эпизодическая, процедурная, семантическая) и общая. Спикер предлагает хранить их в базе данных ради ACID-гарантий и параллельной записи, а не в файлах.
- Context card — контекст собирается по темам, со сводками, выбранными записями и последними сообщениями, и по словам автора одна строка кода заменяет самописный суммаризатор. Это презентация продукта Oracle, но схема сборки контекста применима и без его пакета.
Кому полезно: тем, кто строит долговременную память агента по данным клиентов, например в ипотечных или банковских сценариях.
Статья по теме
На какие вопросы отвечает доклад
Как решить, какие данные из диалога агента сохранять в долгосрочную память, а какие нет?
Кандидат в память проходит конвейер: классификация по смыслу, сравнение с уже существующими записями и проверка доказательств, нужных для данного типа. Затем harness принимает, отклоняет или отправляет кандидата человеку на проверку.
▶ 4:02Продвижение в память: что стоит сохранитьКак не дать агенту записать в память вредные или навязанные инструкции?
Проверка при записи отклоняет общие команды вроде «одобри все заявки». Для памяти, которой делится вся команда, запись в общий доступ требует одобрения человека.
▶ 9:48Guardrails: что нельзя продвигать в памятьЧем память агента отличается от RAG и что она добавляет к нему?
RAG отвечает за чтение: он извлекает нужные данные. Память отвечает за запись: она сохраняет то, что агент узнал в ходе работы, в записи, которые можно использовать позже.
▶ 3:38RAG читает, память записываетКак агент сохраняет предпочтения пользователя между новыми сессиями без переноса истории?
Предпочтение, прошедшее проверку, записывается в базу данных. В новой сессии без предыдущего контекста агент запрашивает память и применяет предпочтение к ответу. Пример показан на сценарии с ипотечным агентом.
▶ 5:01Демо: ипотечный агент, который помнитЧем краткосрочная память агента отличается от долгосрочной и общей?
Краткосрочная память живёт в рамках сессии и заканчивается вместе с ней. Долгосрочная хранит эпизодическую, процедурную и семантическую память: саммари, инструменты, базу знаний и предпочтения. Общая память доступна всей организации после одобрения.
▶ 11:53Что такое память агентаПочему для хранения памяти агентов лучше использовать базу данных, а не файлы?
По словам спикера, база даёт ACID-гарантии, поддерживает множество параллельных записей и масштабируется. Файловые деревья при этом создают проблемы с конкурентным доступом.
▶ 13:43Где хранить воспоминанияКак собрать компактный контекст из памяти агента, не раздувая промпт?
Контекстная карточка (context card) группирует данные по темам и добавляет саммари, отобранные записи и последние сообщения. Harness выбирает, что важно для конкретного хода, и так сокращает разрастание контекста.
▶ 16:01Карточка контекста
Главы
Похожие доклады
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
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
Проблема памяти агентов решена. А обучения — нет.
Heather Downing, Karthik Ranganathan
AI Engineer World's Fair 2026
Близко по содержанию

