Что ИИ-агент должен помнить, забывать, перевычислять или извлекать повторно?

Долго работающие ИИ-агенты накапливают гораздо больше информации, чем им следует помнить постоянно. Диалоги, результаты работы инструментов, промежуточные вычисления, предпочтения пользователей, проектные решения, результаты поиска, состояние системы, ошибки и успешные алгоритмы действий — всё это может казаться полезным в моменте. Отношение ко всем этим данным как к долговременной памяти порождает вторую проблему: впоследствии агенту приходится определять, какая из сохранённых сведений всё ещё достоверна, актуальна, релевантна и безопасна для повторного использования.

Реальная проблема памяти не в хранении, а в управлении жизненным циклом

Современные агентные системы способны сохранять практически всё: полные стенограммы диалогов, сводки, эмбеддинги, файлы, записи баз данных, трассировки инструментов, структурированные факты, навыки и внешние артефакты. Поэтому ёмкость хранилища не является сложной задачей. Сложность заключается в том, чтобы решить, что именно заслуживает сохранения, как долго оно должно сохраняться и что должно происходить, когда реальность меняется.

Рекомендации OpenAI по сессионной памяти прямо предупреждают, что перенос слишком большого объёма истории может привести к рассеиванию внимания, неэффективности, отравлению контекста и накоплению ошибок. Anthropic аналогично рассматривает контекст как ограниченный ресурс, который требует тщательного отбора, а не бездумного накопления. Microsoft Research движется в том же направлении: PlugMem преобразует исходную историю взаимодействий в структурированные знания многократного использования вместо того, чтобы считать всю историю одинаково ценной памятью.

Архитектурный вывод прост: памяти необходимы политика допуска, политика обслуживания и политика вывода из эксплуатации. Один лишь поисковый механизм (retriever) не обеспечивает эту семантику.

Четыре возможных действия для любой информации агента

Тест на допуск в память

Прежде чем информация станет долговременной памятью агента, проверьте её по шести свойствам. Эти свойства полезнее, чем абстрактная оценка важности, поскольку они позволяют прогнозировать поведение информации во времени.

1. Запомнить: долговременные знания, улучшающие будущие решения

Качественная долговременная память сокращает дублирование работы, не превращая вчерашнее состояние в сегодняшнюю истину. Типичные кандидаты включают явные предпочтения пользователя, долгосрочные проектные ограничения, решения и их обоснования, переиспользуемые процедуры, повторяющиеся сценарии ошибок и проверенные факты, частое изменение которых не ожидается.

Наиболее надёжные воспоминания — это не обязательно исходные стенограммы. В работе PlugMem (2026) обосновывается необходимость преобразования истории взаимодействий в компактные факты и переиспользуемые навыки. Проект Microsoft BREW аналогичным образом дистиллирует прошлые траектории в извлекаемые процедурные знания, описывающие, что нужно делать, когда это применимо и на что следует обратить внимание. Оба подхода указывают на полезный архитектурный принцип: сохраняйте переиспользуемые знания, а не просто текст истории.

Запоминаемый элемент также должен сохранять происхождение. Будущий агент должен уметь различать ситуации: «пользователь явно это запросил», «система это зафиксировала», «источник это утверждал» и «модель сделала такой вывод». Без этого различия память постепенно превращает доказательства, интерпретации и домыслы в единую недифференцированную массу.

2. Перечитать или запросить заново: изменчивые факты с внешним источником истины

Некоторая информация ценна именно тем, что она меняется. Текущие права доступа, состояние заказа, складские запасы, статус учетной записи, работоспособность сервисов, документация по ПО, цены, расписания, нормативные акты и поведение API обычно должны считываться заново из исходной системы перед принятием важных решений.

Агент может помнить о существовании источника, о том, как к нему обратиться или какие поля важны. Однако он не должен полагаться на то, что ранее полученное значение остается актуальным. Это разграничивает память о том, где и как получить истинные данные, и кэшированную копию истины.

3. Пересчитать: производная информация, которую дешевле рассчитать, чем доверять ей

Производная информация требует иного подхода, чем исходные факты. Если значение можно детерминированно пересчитать на основе текущих входных данных, сохранение результата может привести к его ненужному устареванию. Итоги, проценты, рейтинги, флаги соответствия требованиям, сгенерированные сводки и другие производные данные часто следует пересчитывать в момент использования.

Ключевой фактор здесь — затраты. Если перерасчет ресурсоемок, система может закэшировать результат вместе с точной версией входных данных, временной меткой, методом расчета и условиями инвалидации. Если же перерасчет дешев, свежесть данных обычно оказывается в приоритете.

4. Забыть, удалить по истечении срока или заменить: удаление — это функциональная возможность

Забывание — это не обязательно дефект. Это механизм контроля. Временные выходные данные инструментов, разовые результаты поиска, несостоявшиеся гипотезы, промежуточное состояние окружения, промежуточные артефакты рассуждений, устаревшие предпочтения пользователя, истекшие учетные данные и отмененные решения могут стать обузой, если будут храниться бесконечно.

Современные исследования памяти все чаще признают, что неограниченное накопление данных способно снижать производительность. Архитектура памяти Microsoft 2026 года, вдохновленная человеческим мозгом, явно включает интерференционное забывание и консолидацию, а авторы PlugMem отмечают, что необработанные журналы истории перегружают агентов малополезным контекстом. Инженерный вывод не требует копирования биологических механизмов: сохранение должно быть избирательным.

Во многих системах вытеснение и замена безопаснее немедленного удаления. Старое решение остается доступным для аудита, но при поиске по умолчанию выдается новое. Это важно для проектов, регламентов, соответствия требованиям и любых рабочих процессов, где сама история изменений служит доказательством.

Метод принятия решений

Примеры: применение разных действий жизненного цикла одним и тем же агентом

Память должна сохранять условия, а не только выводы

Долгосрочная память становится опасной, если сохраняет лишь вывод и теряет условия, при которых он был сделан. Фраза «Использовать отдельную базу данных для каждого клиента» уступает формулировке «Использовать отдельную базу данных для каждого клиента, когда нормативные требования к изоляции и индивидуальный жизненный цикл данных перевешивают эксплуатационные расходы». Второй вариант сохраняет границы применимости решения.

Это еще более существенно для процедур, освоенных агентом. Успешный процесс должен фиксировать не только шаги, но и предварительные условия, окружение, версию инструмента, наблюдаемые критерии успеха и известные сценарии сбоев. В противном случае извлеченная в неподходящем контексте память может с уверенностью воспроизвести неактуальное решение.

Запись в память должна обходиться «дороже», чем чтение

Чтение недостоверного воспоминания способно испортить один ответ. Запись недостоверного воспоминания способна испортить множество будущих ответов. Эта асимметрия указывает на необходимость более строгих правил для записи, чем для чтения: классифицируйте кандидата на сохранение, проверяйте происхождение данных, выявляйте противоречия, применяйте правила конфиденциальности, определяйте область действия и решайте, требуется ли подтверждение со стороны человека или внешняя валидация.

Это особенно важно, когда агент формирует воспоминания на основе собственных сгенерированных выводов. Сгенерированное резюме может содержать ошибки компрессии контекста. Ошибка инструмента может быть неверно истолкована. Правдоподобная гипотеза может быть сохранена в виде непреложного факта. Если такие результаты станут будущим контекстом без подтвержденного статуса доказанности, агент может запустить самоподкрепляющийся цикл ошибок.

Качество памяти определяется как минимум пятью измерениями

Бенчмарки начинают разграничивать эти аспекты. Проект MemGym от Microsoft специально оценивает память в долгосрочных агентных сценариях и формирует изолированные оценки памяти, чтобы исключить влияние посторонних факторов — логических способностей модели, механизмов поиска и умения использовать инструменты. Это важное направление развития, поскольку общая итоговая оценка выполнения задачи сама по себе не дает ответа на вопрос, помогла ли память, навредила или оказалась бесполезной.

Что не следует сохранять в долговременную память по умолчанию

• Необработанный ход рассуждений (chain-of-thought) или скрытые промежуточные рассуждения модели.
• Временные токены аутентификации, секреты или учетные данные.
• Сгенерированные моделью гипотезы, которые не прошли проверку.
• Часто меняющееся состояние, для которого существует актуальная авторитетная система.
• Легко пересчитываемые производные значения без сохранения их исходных данных.
• Объемные ответы инструментов исключительно из-за наличия свободного дискового пространства.
• Дубликаты информации, управление которой уже осуществляется более надежным источником истины.
• Конфиденциальные персональные данные без четко определенной цели хранения, области доступа и жизненного цикла.
• Устаревшие выводы без явных указаний на версионность или механизмов признания их недействительными.
• Сообщения об ошибках или состояния сбоев, которые нужны лишь в рамках текущего запуска и не представляют повторной диагностической ценности.

Память зависит от задачи: универсального оптимального хранилища не существует

Агенту-разработчику требуются переиспользуемые алгоритмы, соглашения репозитория, успешные паттерны исправления ошибок и архитектурные решения по проекту. Персональному ассистенту могут быть важнее предпочтения, обязательства и контекст взаимоотношений. Коммерческому агенту актуальное состояние товаров и транзакций требуется гораздо сильнее, чем архивная история цен или складских остатков. Исследовательскому агенту необходимы источники происхождения данных, нерешенные гипотезы и явный статус подтвержденности доказательств.

Исследование M-star от Microsoft Research подчеркивает это со всей очевидностью: системы памяти, оптимизированные для одной цели, могут крайне плохо адаптироваться к другой, а специализированные механизмы памяти превосходят универсальную фиксированную архитектуру. Следовательно, схема организации памяти должна выстраиваться вокруг решений, которые принимает агент, а не навязываться в виде единого шаблона для всех.

Что может повлиять на эти выводы?

Баланс смещается, когда поиск данных работает медленно или стоит дорого, авторитетные системы периодически недоступны, повторные вычисления требуют больших ресурсов, правила аудита требуют сохранения исторических снимков данных или когда агент вынужден функционировать автономно. В этих случаях может потребоваться кэшировать или сохранять больший объем информации — но обязательно с метаданными о версии, источнике, временных метках и правилах аннулирования.

Баланс также меняется для агентов, ключевая ценность которых заключается в персонализации. Устойчивые предпочтения имеет смысл запомнить, даже если технически о них можно было бы спросить заново. И наоборот, в областях с высокими рисками порог преобразования наблюдения или гипотезы в долговременную запись должен быть значительно строже.

Будущие платформы управляемой памяти смогут автоматизировать консолидацию, извлечение, удаление устаревших данных и построение контекста. Это сократит затраты на разработку, но не снимет вопросы управления данными: какая информация вправе влиять на будущие решения, при каких условиях и в какой момент система обязана обратиться к актуальному первоисточнику истины?

Ограничения

Единого определения «памяти агента» в современных фреймворках и исследовательских работах пока не существует. Некоторые системы называют этим термином историю диалога, другие — внешние персистентные хранилища, структурированные базы знаний, изученные процедуры, контрольные точки или процессы адаптации моделей. Представленная в статье модель принятия решений сосредоточена на семантике жизненного цикла данных, а не на попытке навязать конкретную терминологию.

Четыре действия жизненного цикла также могут пересекаться между собой. Система может одновременно сохранять устойчивое резюме, удерживать ссылку на первоисточник, заново считывать быстро меняющиеся поля и динамически пересчитывать производный результат в рамках одного процесса. Цель предлагаемой модели — не зафиксировать единственный примитив хранения на каждый факт, а сделать причину долговременного сохранения прозрачной и обоснованной.

Заключение

Эффективный агент выигрывает не за счет того, что запоминает как можно больше. Его преимущество — в сохранении действительно важной информации, обращении к авторитетным источникам при возможных изменениях в реальности, пересчете того, что безопаснее вывести заново, и своевременном удалении данных, которые больше не должны влиять на будущие решения.

Поэтому практический вопрос к каждому фрагменту памяти звучит не как «Можем ли мы это сохранить?», а иначе: станут ли будущие решения надежнее, если эта информация останется? Если ответ зависит от актуальности, авторитетности источника, стоимости, чувствительности данных или их пересмотра, заложите эти условия в жизненный цикл памяти, а не полагайтесь исключительно на поиск.

Часто задаваемые вопросы

Глоссарий

Первоисточники и материалы для дальнейшего чтения