[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:ru":3,"public-menus:all":38,"post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:ru":205,"related:post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:ru:1":1634},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","ru","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":1633},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":815,"featuredImage":816,"featuredImageAlt":817,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":818,"publishedAt":819,"createdAt":820,"updatedAt":821,"seoLocalePaths":822,"categories":831,"author":844,"translations":849},"470","Что ИИ-агент должен помнить, забывать, перевычислять или извлекать повторно?","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Содержание\">\u003Cstrong class=\"editorjs-toc__title\">Содержание\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Реальная проблема памяти не в хранении, а в управлении жизненным циклом\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Четыре возможных действия для любой информации агента\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-11\" class=\"editorjs-toc__link\">Тест на допуск в память\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">1. Запомнить: долговременные знания, улучшающие будущие решения\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">2. Перечитать или запросить заново: изменчивые факты с внешним источником истины\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">3. Пересчитать: производная информация, которую дешевле рассчитать, чем доверять ей\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">4. Забыть, удалить по истечении срока или заменить: удаление — это функциональная возможность\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">Метод принятия решений\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-32\" class=\"editorjs-toc__link\">Примеры: применение разных действий жизненного цикла одним и тем же агентом\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">Память должна сохранять условия, а не только выводы\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">Запись в память должна обходиться «дороже», чем чтение\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-40\" class=\"editorjs-toc__link\">Качество памяти определяется как минимум пятью измерениями\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Что не следует сохранять в долговременную память по умолчанию\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-45\" class=\"editorjs-toc__link\">Память зависит от задачи: универсального оптимального хранилища не существует\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Что может повлиять на эти выводы?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-52\" class=\"editorjs-toc__link\">Ограничения\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Заключение\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-59\" class=\"editorjs-toc__link\">Часто задаваемые вопросы\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-61\" class=\"editorjs-toc__link\">Глоссарий\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-63\" class=\"editorjs-toc__link\">Первоисточники и материалы для дальнейшего чтения\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Cp>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.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Прямой ответ\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">ИИ-агент должен <strong>запоминать информацию, которая является долговременной, пригодной для повторного использования, сохраняющей происхождение и требующей больших затрат на повторное получение<\u002Fstrong>; <strong>перечитывать или извлекать изменчивые факты из их авторитетного источника<\u002Fstrong>; <strong>пересчитывать простые производные значения, когда важна актуальность<\u002Fstrong>; и <strong>забывать, аннулировать или заменять информацию, повторное использование которой создаёт больше рисков, чем пользы<\u002Fstrong>. Правильное действие зависит не столько от того, насколько информация «важна», сколько от её изменчивости, авторитетности источника, стоимости вычисления, ценности повторного использования, конфиденциальности и характера обновлений.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">О модели принятия решений\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Модель «Запомнить \u002F Перечитать \u002F Пересчитать \u002F Забыть» и приведённый ниже «Тест на допуск в память» — это практические архитектурные инструменты, предложенные в этой статье. Они не являются формальными отраслевыми стандартами. Они разработаны для того, чтобы сделать решения относительно памяти агента явными, проверяемыми и доступными для аудита.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-5\">Реальная проблема памяти не в хранении, а в управлении жизненным циклом\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>Архитектурный вывод прост: памяти необходимы политика допуска, политика обслуживания и политика вывода из эксплуатации. Один лишь поисковый механизм (retriever) не обеспечивает эту семантику.\u003C\u002Fp>\n\u003Ch2 id=\"section-9\">Четыре возможных действия для любой информации агента\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Действие\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Когда использовать\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Типичные примеры\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Основной риск\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запомнить\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Информация остаётся полезной для будущих задач, а её надёжная реконструкция затратна или невозможна\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Стабильные предпочтения пользователя, утверждённое проектное решение, переиспользуемый навык, проверенное долгосрочное ограничение\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сохранение чего-то ложного, устаревшего или слишком обобщённого\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Перечитать \u002F Извлечь\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">У информации есть авторитетный источник, который может меняться\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Права доступа, складские остатки, версия регламента, статус заказа, цена товара, актуальная документация API\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Использование устаревшей копии вместо актуального авторитетного источника\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Пересчитать\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Информация является производной и её повторное вычисление не требует больших затрат\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Итоги, оценки, рейтинги, сводки на основе актуальных исходных данных, детерминированные преобразования\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сохранение устаревшего производного результата\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Забыть \u002F Аннулировать \u002F Заменить\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Будущее повторное использование не несёт ценности либо создаёт риски для конфиденциальности, устаревания, конфликтов или засорения\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Кратковременный вывод инструмента, опровергнутая гипотеза, заменённое решение, временный токен, устаревшее состояние среды\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Потеря информации, которая впоследствии окажется необходимой\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-11\">Тест на допуск в память\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Шесть свойств, определяющих, относится ли информация к памяти\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Свойство\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Вопрос\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Влияние на решение\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Изменчивость\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Авторитетность источника\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Ценность повторного использования\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Стоимость восстановления\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Конфиденциальность\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Характер изменений\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--tip my-6 rounded-xl border p-5 border-violet-300 bg-violet-50 dark:border-violet-900 dark:bg-violet-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Практическое правило\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Если факт является <strong>изменчивым + авторитетно хранится в другом месте + дешёвым для получения<\u002Fstrong>, не переносите скопированное значение в долговременную память. Сохраняйте вместо этого указатель, идентификатор или путь к источнику.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-15\">1. Запомнить: долговременные знания, улучшающие будущие решения\u003C\u002Fh3>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch3 id=\"section-19\">2. Перечитать или запросить заново: изменчивые факты с внешним источником истины\u003C\u002Fh3>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ловушка устаревшей памяти\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Факт можно помнить безупречно точно, но при этом он может быть неверным. Качество памяти — это не только точность воспроизведения, но и понимание того, когда воспроизведение должно уступить место свежему обращению к первоисточнику.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-23\">3. Пересчитать: производная информация, которую дешевле рассчитать, чем доверять ей\u003C\u002Fh3>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch3 id=\"section-26\">4. Забыть, удалить по истечении срока или заменить: удаление — это функциональная возможность\u003C\u002Fh3>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-30\">Метод принятия решений\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Определение жизненного цикла единицы информации\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Классифицировать информацию\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Является ли она авторитетным состоянием, предпочтением пользователя, внешним свидетельством, производным результатом, процедурой, наблюдением или выводом модели?\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Определить источник истины\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Установить, остается ли другая система или источник более авторитетным, чем сама сохраненная память.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Оценить изменчивость\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Оценить вероятность изменения единицы информации до следующего значимого использования.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Оценить стоимость повторного использования и восстановления\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сопоставить будущую ценность с затратами и надежностью повторного получения или создания информации.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Проверить конфиденциальность и область видимости\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Определить, кто имеет доступ к информации, где она может храниться и оправдано ли ее долгосрочное хранение.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Задать правила инвалидации\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Указать срок действия, условия замены, разрешение конфликтов или критерий, требующий нового запроса к первоисточнику.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Выбрать действие\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Запомнить, перечитать\u002Fзапросить заново, пересчитать либо забыть\u002Fудалить по сроку\u002Fзаменить.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Сохранить происхождение данных\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сохранить достаточный объем метаданных, чтобы отличать исходный факт, слова пользователя, наблюдение, производные данные и вывод модели.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-32\">Примеры: применение разных действий жизненного цикла одним и тем же агентом\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Информация\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Рекомендуемое действие\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Причина\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Пользователь предпочитает лаконичные технические ответы».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запомнить\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Стабильное предпочтение с высокой ценностью повторного использования\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Развертывание в данный момент приостановлено».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Перечитать\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Текущее рабочее состояние может измениться\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Общая прогнозируемая стоимость составляет 48 620 евро».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Пересчитать на основе текущих входных данных\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Производное значение должно отражать изменения в источнике\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Необработанный ответ инструмента на 20 000 токенов за вчерашний день\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Забыть или архивировать во внешней системе\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Низкая ценность прямого использования, высокая нагрузка на контекст\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Подтвержденное решение повторяющегося сбоя сборки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запомнить как повторно используемую процедуру\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Высокая ценность повторного использования и дорогостоящий повторный поиск решения\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предположение модели о причинах сбоя сервера\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Не сохранять как постоянный факт\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Вывод модели не является проверенным свидетельством\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Старое проектное решение, позже замененное новым\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Заменить, сохранив историю для аудита\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Актуальным должно быть последнее решение, но без стирания истории изменений\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Текущая цена товара\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запросить повторно\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Высокая изменчивость и внешний источник истины\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Интерпретация закона или регламента\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запомнить предыдущий анализ только с метаданными источника\u002Fверсии; повторно свериться с источником перед действием\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Применимость может меняться со временем и в зависимости от юрисдикции\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-34\">Память должна сохранять условия, а не только выводы\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">Запись в память должна обходиться «дороже», чем чтение\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-40\">Качество памяти определяется как минимум пятью измерениями\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Измерение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Вопрос\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество удержания (Retention)\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сохранила ли система ту информацию, которая действительно должна была остаться?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество извлечения (Retrieval)\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Способна ли система найти нужные воспоминания в критически важный момент?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество актуальности (Freshness)\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Понимает ли система, когда сохраненная информация теряет актуальность?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество происхождения (Provenance)\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Может ли система отличить первоисточник, утверждение пользователя, наблюдение, дедуктивный вывод и гипотезу?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество вывода из эксплуатации (Retirement)\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Способна ли система аннулировать, заменять, ограничивать или удалять информацию, когда та больше не должна влиять на принимаемые решения?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-43\">Что не следует сохранять в долговременную память по умолчанию\u003C\u002Fh2>\n\u003Cul>\u003Cli>Необработанный ход рассуждений (chain-of-thought) или скрытые промежуточные рассуждения модели.\u003C\u002Fli>\u003Cli>Временные токены аутентификации, секреты или учетные данные.\u003C\u002Fli>\u003Cli>Сгенерированные моделью гипотезы, которые не прошли проверку.\u003C\u002Fli>\u003Cli>Часто меняющееся состояние, для которого существует актуальная авторитетная система.\u003C\u002Fli>\u003Cli>Легко пересчитываемые производные значения без сохранения их исходных данных.\u003C\u002Fli>\u003Cli>Объемные ответы инструментов исключительно из-за наличия свободного дискового пространства.\u003C\u002Fli>\u003Cli>Дубликаты информации, управление которой уже осуществляется более надежным источником истины.\u003C\u002Fli>\u003Cli>Конфиденциальные персональные данные без четко определенной цели хранения, области доступа и жизненного цикла.\u003C\u002Fli>\u003Cli>Устаревшие выводы без явных указаний на версионность или механизмов признания их недействительными.\u003C\u002Fli>\u003Cli>Сообщения об ошибках или состояния сбоев, которые нужны лишь в рамках текущего запуска и не представляют повторной диагностической ценности.\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2 id=\"section-45\">Память зависит от задачи: универсального оптимального хранилища не существует\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Что может повлиять на эти выводы?\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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?\u003C\u002Fp>\n\u003Ch2 id=\"section-52\">Ограничения\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2 id=\"section-55\">Заключение\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">От исследовательского протокола к общей структуре рассуждений ИИ\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Предметно-независимый метод рассуждений для разделения доказательств и предположений, проверки конкурирующих гипотез и использования явных правил валидации.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать о структуре рассуждений →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-59\">Часто задаваемые вопросы\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Жизненный цикл памяти ИИ-агента\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Какую информацию ИИ-агенту следует помнить долгосрочно?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Отдавайте предпочтение долговечной, повторно используемой информации с известным происхождением, восстановить которую дорого или ненадежно: например, устойчивые предпочтения пользователя, утвержденные решения по проекту, типовые процедуры и подтвержденные долгосрочные ограничения.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Что ИИ-агенту следует запрашивать заново вместо запоминания?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Изменчивую информацию, имеющую авторитетный внешний источник, перед принятием ответственных решений обычно следует запрашивать заново. Примеры включают права доступа, остатки на складе, текущие цены, состояние учетной записи, версии политик, статус сервисов и актуальную документацию.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Когда ИИ-агенту следует вычислять информацию заново?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Пересчитывайте производные значения, если расчет обходится дешево, а устаревшие результаты могут дорого обойтись. Сохранять производное значение оправдано тогда, когда повторное вычисление ресурсоемко, а кэш содержит версию источника и условия инвалидации.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Должны ли ИИ-агенты забывать информацию?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Да. Забывание, истечение срока действия и замена устаревших данных — полезные механизмы контроля временной, неактуальной, конфиденциальной, малоценной или вводящей в заблуждение информации. Неограниченное хранение создает шум и позволяет устаревшим или неверным сведениям искажать будущие решения.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Является ли сохранение всей истории диалога хорошей стратегией памяти?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Само по себе — нет. Необработанная история позволяет сохранить факты диалога, но долгоживущим агентам обычно требуются фильтрация, структурирование, саммаризация, выделение фактов и процедур, поиск и правила жизненного цикла, чтобы низкоуровневая история не перегружала будущий контекст.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-61\">Глоссарий\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Ключевые термины жизненного цикла памяти\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"memory-admission\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Допуск в память (Memory admission)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Процесс принятия решения, определяющий, разрешено ли информации перейти в долговременную память агента.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"supersession\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Замещение (Supersession)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Пометка более старой записи или решения как замененных новой информацией с сохранением исторического контекста при необходимости.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"invalidation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Инвалидация (Invalidation)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Правило или событие, из-за которого сохраненное или закэшированное значение становится небезопасным для повторного использования без обновления, пересчета или проверки.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provenance\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Происхождение данных (Provenance)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Метаданные, описывающие источник информации, время ее получения, кем или чем она была заявлена и как трансформировалась.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"volatility\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Изменчивость (Volatility)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Вероятность того, что информация изменится в промежутке между моментом ее сохранения и моментом повторного использования.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"reconstruction-cost\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Стоимость восстановления (Reconstruction cost)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Время, средства, вычислительные ресурсы, вызовы инструментов или уровень неопределенности, необходимые для повторного получения информации вместо ее извлечения из памяти.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-63\">Первоисточники и материалы для дальнейшего чтения\u003C\u002Fh2>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Контекстная инженерия: управление краткосрочной памятью с помощью сессий\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Руководство по усечению контекста, саммаризации, долгосрочным сессиям и сопутствующим рискам, таким как устаревшие детали и отравление контекста.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Эффективная контекстная инженерия для ИИ-агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Инженерное руководство по курированию, сжатию, структурированному ведению заметок и поддержанию полезного контекста агента на длинных горизонтах.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Эффективные среды исполнения для долгоживущих агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Практическая работа по сохранению прогресса и артефактов между окнами контекста при выполнении долгосрочных задач агента.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — PlugMem\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Исследование по трансформации «сырых» взаимодействий агента в структурированные переиспользуемые факты и навыки вместо накопления неструктурированной истории.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — M★: Каждой задаче нужна собственная среда памяти\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Исследование, демонстрирующее, что специализированные механизмы памяти для конкретных задач превосходят универсальные архитектуры.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — MemGym\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Бенчмарк для изоляции и оценки производительности памяти агентов в средах с длинным горизонтом планирования.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — Архитектура памяти для LLM-агентов, вдохновленная человеческим мозгом\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Исследование консолидации, забывания на основе интерференции, реконсолидации и извлечения данных в долговременной памяти агентов.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":814},1790367604088,[214,222,228,236,243,248,253,258,263,268,299,304,309,351,358,363,368,373,378,383,388,393,400,405,410,415,420,425,430,435,440,472,477,521,526,531,536,541,546,551,556,578,583,588,606,611,616,621,626,631,636,641,646,651,656,661,666,671,680,685,711,716,745,750,760,769,778,787,796,805],{"id":215,"data":216,"type":220,"tunes":221},"XDf71jsthn",{"title":217,"maxLevel":218,"minLevel":219},"Содержание",3,2,"tableOfContents",{},{"id":223,"data":224,"type":226,"tunes":227},"intro",{"text":225},"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.","paragraph",{},{"id":229,"data":230,"type":234,"tunes":235},"direct",{"body":231,"title":232,"variant":233},"ИИ-агент должен \u003Cstrong>запоминать информацию, которая является долговременной, пригодной для повторного использования, сохраняющей происхождение и требующей больших затрат на повторное получение\u003C\u002Fstrong>; \u003Cstrong>перечитывать или извлекать изменчивые факты из их авторитетного источника\u003C\u002Fstrong>; \u003Cstrong>пересчитывать простые производные значения, когда важна актуальность\u003C\u002Fstrong>; и \u003Cstrong>забывать, аннулировать или заменять информацию, повторное использование которой создаёт больше рисков, чем пользы\u003C\u002Fstrong>. Правильное действие зависит не столько от того, насколько информация «важна», сколько от её изменчивости, авторитетности источника, стоимости вычисления, ценности повторного использования, конфиденциальности и характера обновлений.","Прямой ответ","info","callout",{},{"id":237,"data":238,"type":234,"tunes":242},"model-note",{"body":239,"title":240,"variant":241},"Модель «Запомнить \u002F Перечитать \u002F Пересчитать \u002F Забыть» и приведённый ниже «Тест на допуск в память» — это практические архитектурные инструменты, предложенные в этой статье. Они не являются формальными отраслевыми стандартами. Они разработаны для того, чтобы сделать решения относительно памяти агента явными, проверяемыми и доступными для аудита.","О модели принятия решений","note",{},{"id":244,"data":245,"type":42,"tunes":247},"h-lifecycle",{"text":246,"level":219},"Реальная проблема памяти не в хранении, а в управлении жизненным циклом",{},{"id":249,"data":250,"type":226,"tunes":252},"p-life-1",{"text":251},"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.",{},{"id":254,"data":255,"type":226,"tunes":257},"p-life-2",{"text":256},"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.",{},{"id":259,"data":260,"type":226,"tunes":262},"p-life-3",{"text":261},"Архитектурный вывод прост: памяти необходимы политика допуска, политика обслуживания и политика вывода из эксплуатации. Один лишь поисковый механизм (retriever) не обеспечивает эту семантику.",{},{"id":264,"data":265,"type":42,"tunes":267},"h-actions",{"text":266,"level":219},"Четыре возможных действия для любой информации агента",{},{"id":269,"data":270,"type":297,"tunes":298},"table-actions",{"content":271,"stretched":43,"withHeadings":14},[272,277,282,287,292],[273,274,275,276],"Действие","Когда использовать","Типичные примеры","Основной риск",[278,279,280,281],"Запомнить","Информация остаётся полезной для будущих задач, а её надёжная реконструкция затратна или невозможна","Стабильные предпочтения пользователя, утверждённое проектное решение, переиспользуемый навык, проверенное долгосрочное ограничение","Сохранение чего-то ложного, устаревшего или слишком обобщённого",[283,284,285,286],"Перечитать \u002F Извлечь","У информации есть авторитетный источник, который может меняться","Права доступа, складские остатки, версия регламента, статус заказа, цена товара, актуальная документация API","Использование устаревшей копии вместо актуального авторитетного источника",[288,289,290,291],"Пересчитать","Информация является производной и её повторное вычисление не требует больших затрат","Итоги, оценки, рейтинги, сводки на основе актуальных исходных данных, детерминированные преобразования","Сохранение устаревшего производного результата",[293,294,295,296],"Забыть \u002F Аннулировать \u002F Заменить","Будущее повторное использование не несёт ценности либо создаёт риски для конфиденциальности, устаревания, конфликтов или засорения","Кратковременный вывод инструмента, опровергнутая гипотеза, заменённое решение, временный токен, устаревшее состояние среды","Потеря информации, которая впоследствии окажется необходимой","table",{},{"id":300,"data":301,"type":42,"tunes":303},"h-admission",{"text":302,"level":219},"Тест на допуск в память",{},{"id":305,"data":306,"type":226,"tunes":308},"p-admission-intro",{"text":307},"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.",{},{"id":310,"data":311,"type":349,"tunes":350},"admission-comparison",{"rows":312,"title":338,"layout":297,"columns":339},[313,318,322,326,330,334],{"id":314,"label":315,"values":316},"volatility","Изменчивость",[317,317,317],"",{"id":319,"label":320,"values":321},"authority","Авторитетность источника",[317,317,317],{"id":323,"label":324,"values":325},"reuse","Ценность повторного использования",[317,317,317],{"id":327,"label":328,"values":329},"reconstruction","Стоимость восстановления",[317,317,317],{"id":331,"label":332,"values":333},"sensitivity","Конфиденциальность",[317,317,317],{"id":335,"label":336,"values":337},"revision","Характер изменений",[317,317,317],"Шесть свойств, определяющих, относится ли информация к памяти",[340,343,346],{"id":341,"label":342},"property","Свойство",{"id":344,"label":345},"question","Вопрос",{"id":347,"label":348},"effect","Влияние на решение","comparison",{},{"id":352,"data":353,"type":234,"tunes":357},"rule-volatile",{"body":354,"title":355,"variant":356},"Если факт является \u003Cstrong>изменчивым + авторитетно хранится в другом месте + дешёвым для получения\u003C\u002Fstrong>, не переносите скопированное значение в долговременную память. Сохраняйте вместо этого указатель, идентификатор или путь к источнику.","Практическое правило","tip",{},{"id":359,"data":360,"type":42,"tunes":362},"h-remember",{"text":361,"level":218},"1. Запомнить: долговременные знания, улучшающие будущие решения",{},{"id":364,"data":365,"type":226,"tunes":367},"p-remember-1",{"text":366},"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.",{},{"id":369,"data":370,"type":226,"tunes":372},"p-remember-2",{"text":371},"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.",{},{"id":374,"data":375,"type":226,"tunes":377},"p-remember-3",{"text":376},"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.",{},{"id":379,"data":380,"type":42,"tunes":382},"h-reread",{"text":381,"level":218},"2. Перечитать или запросить заново: изменчивые факты с внешним источником истины",{},{"id":384,"data":385,"type":226,"tunes":387},"p-reread-1",{"text":386},"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.",{},{"id":389,"data":390,"type":226,"tunes":392},"p-reread-2",{"text":391},"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.",{},{"id":394,"data":395,"type":234,"tunes":399},"stale-trap",{"body":396,"title":397,"variant":398},"Факт можно помнить безупречно точно, но при этом он может быть неверным. Качество памяти — это не только точность воспроизведения, но и понимание того, когда воспроизведение должно уступить место свежему обращению к первоисточнику.","Ловушка устаревшей памяти","warning",{},{"id":401,"data":402,"type":42,"tunes":404},"h-recompute",{"text":403,"level":218},"3. Пересчитать: производная информация, которую дешевле рассчитать, чем доверять ей",{},{"id":406,"data":407,"type":226,"tunes":409},"p-recompute-1",{"text":408},"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.",{},{"id":411,"data":412,"type":226,"tunes":414},"p-recompute-2",{"text":413},"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.",{},{"id":416,"data":417,"type":42,"tunes":419},"h-forget",{"text":418,"level":218},"4. Забыть, удалить по истечении срока или заменить: удаление — это функциональная возможность",{},{"id":421,"data":422,"type":226,"tunes":424},"p-forget-1",{"text":423},"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.",{},{"id":426,"data":427,"type":226,"tunes":429},"p-forget-2",{"text":428},"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.",{},{"id":431,"data":432,"type":226,"tunes":434},"p-forget-3",{"text":433},"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.",{},{"id":436,"data":437,"type":42,"tunes":439},"h-method",{"text":438,"level":219},"Метод принятия решений",{},{"id":441,"data":442,"type":470,"tunes":471},"decision-flow",{"steps":443,"title":468,"orientation":469},[444,447,450,453,456,459,462,465],{"label":445,"description":446},"1. Классифицировать информацию","Является ли она авторитетным состоянием, предпочтением пользователя, внешним свидетельством, производным результатом, процедурой, наблюдением или выводом модели?",{"label":448,"description":449},"2. Определить источник истины","Установить, остается ли другая система или источник более авторитетным, чем сама сохраненная память.",{"label":451,"description":452},"3. Оценить изменчивость","Оценить вероятность изменения единицы информации до следующего значимого использования.",{"label":454,"description":455},"4. Оценить стоимость повторного использования и восстановления","Сопоставить будущую ценность с затратами и надежностью повторного получения или создания информации.",{"label":457,"description":458},"5. Проверить конфиденциальность и область видимости","Определить, кто имеет доступ к информации, где она может храниться и оправдано ли ее долгосрочное хранение.",{"label":460,"description":461},"6. Задать правила инвалидации","Указать срок действия, условия замены, разрешение конфликтов или критерий, требующий нового запроса к первоисточнику.",{"label":463,"description":464},"7. Выбрать действие","Запомнить, перечитать\u002Fзапросить заново, пересчитать либо забыть\u002Fудалить по сроку\u002Fзаменить.",{"label":466,"description":467},"8. Сохранить происхождение данных","Сохранить достаточный объем метаданных, чтобы отличать исходный факт, слова пользователя, наблюдение, производные данные и вывод модели.","Определение жизненного цикла единицы информации","auto","processFlow",{},{"id":473,"data":474,"type":42,"tunes":476},"h-examples",{"text":475,"level":219},"Примеры: применение разных действий жизненного цикла одним и тем же агентом",{},{"id":478,"data":479,"type":297,"tunes":520},"examples-table",{"content":480,"stretched":43,"withHeadings":14},[481,485,488,492,496,500,504,508,512,516],[482,483,484],"Информация","Рекомендуемое действие","Причина",[486,278,487],"«Пользователь предпочитает лаконичные технические ответы».","Стабильное предпочтение с высокой ценностью повторного использования",[489,490,491],"«Развертывание в данный момент приостановлено».","Перечитать","Текущее рабочее состояние может измениться",[493,494,495],"«Общая прогнозируемая стоимость составляет 48 620 евро».","Пересчитать на основе текущих входных данных","Производное значение должно отражать изменения в источнике",[497,498,499],"Необработанный ответ инструмента на 20 000 токенов за вчерашний день","Забыть или архивировать во внешней системе","Низкая ценность прямого использования, высокая нагрузка на контекст",[501,502,503],"Подтвержденное решение повторяющегося сбоя сборки","Запомнить как повторно используемую процедуру","Высокая ценность повторного использования и дорогостоящий повторный поиск решения",[505,506,507],"Предположение модели о причинах сбоя сервера","Не сохранять как постоянный факт","Вывод модели не является проверенным свидетельством",[509,510,511],"Старое проектное решение, позже замененное новым","Заменить, сохранив историю для аудита","Актуальным должно быть последнее решение, но без стирания истории изменений",[513,514,515],"Текущая цена товара","Запросить повторно","Высокая изменчивость и внешний источник истины",[517,518,519],"Интерпретация закона или регламента","Запомнить предыдущий анализ только с метаданными источника\u002Fверсии; повторно свериться с источником перед действием","Применимость может меняться со временем и в зависимости от юрисдикции",{},{"id":522,"data":523,"type":42,"tunes":525},"h-conditions",{"text":524,"level":219},"Память должна сохранять условия, а не только выводы",{},{"id":527,"data":528,"type":226,"tunes":530},"p-cond-1",{"text":529},"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.",{},{"id":532,"data":533,"type":226,"tunes":535},"p-cond-2",{"text":534},"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.",{},{"id":537,"data":538,"type":42,"tunes":540},"h-write-cost",{"text":539,"level":219},"Запись в память должна обходиться «дороже», чем чтение",{},{"id":542,"data":543,"type":226,"tunes":545},"p-write-1",{"text":544},"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.",{},{"id":547,"data":548,"type":226,"tunes":550},"p-write-2",{"text":549},"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.",{},{"id":552,"data":553,"type":42,"tunes":555},"h-quality",{"text":554,"level":219},"Качество памяти определяется как минимум пятью измерениями",{},{"id":557,"data":558,"type":297,"tunes":577},"quality-table",{"content":559,"stretched":43,"withHeadings":14},[560,562,565,568,571,574],[561,345],"Измерение",[563,564],"Качество удержания (Retention)","Сохранила ли система ту информацию, которая действительно должна была остаться?",[566,567],"Качество извлечения (Retrieval)","Способна ли система найти нужные воспоминания в критически важный момент?",[569,570],"Качество актуальности (Freshness)","Понимает ли система, когда сохраненная информация теряет актуальность?",[572,573],"Качество происхождения (Provenance)","Может ли система отличить первоисточник, утверждение пользователя, наблюдение, дедуктивный вывод и гипотезу?",[575,576],"Качество вывода из эксплуатации (Retirement)","Способна ли система аннулировать, заменять, ограничивать или удалять информацию, когда та больше не должна влиять на принимаемые решения?",{},{"id":579,"data":580,"type":226,"tunes":582},"p-quality-1",{"text":581},"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.",{},{"id":584,"data":585,"type":42,"tunes":587},"h-not-store",{"text":586,"level":219},"Что не следует сохранять в долговременную память по умолчанию",{},{"id":589,"data":590,"type":604,"tunes":605},"not-store-list",{"meta":591,"items":592,"style":603},{},[593,594,595,596,597,598,599,600,601,602],"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.","unordered","list",{},{"id":607,"data":608,"type":42,"tunes":610},"h-task-specific",{"text":609,"level":219},"Память зависит от задачи: универсального оптимального хранилища не существует",{},{"id":612,"data":613,"type":226,"tunes":615},"p-task-1",{"text":614},"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.",{},{"id":617,"data":618,"type":226,"tunes":620},"p-task-2",{"text":619},"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.",{},{"id":622,"data":623,"type":42,"tunes":625},"h-change",{"text":624,"level":219},"Что может повлиять на эти выводы?",{},{"id":627,"data":628,"type":226,"tunes":630},"p-change-1",{"text":629},"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.",{},{"id":632,"data":633,"type":226,"tunes":635},"p-change-2",{"text":634},"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.",{},{"id":637,"data":638,"type":226,"tunes":640},"p-change-3",{"text":639},"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?",{},{"id":642,"data":643,"type":42,"tunes":645},"h-limitations",{"text":644,"level":219},"Ограничения",{},{"id":647,"data":648,"type":226,"tunes":650},"p-limit-1",{"text":649},"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.",{},{"id":652,"data":653,"type":226,"tunes":655},"p-limit-2",{"text":654},"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.",{},{"id":657,"data":658,"type":42,"tunes":660},"h-conclusion",{"text":659,"level":219},"Заключение",{},{"id":662,"data":663,"type":226,"tunes":665},"p-conclusion-1",{"text":664},"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.",{},{"id":667,"data":668,"type":226,"tunes":670},"p-conclusion-2",{"text":669},"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.",{},{"id":672,"data":673,"type":678,"tunes":679},"internal-reasoning",{"url":674,"title":675,"excerpt":676,"ctaLabel":677},"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","От исследовательского протокола к общей структуре рассуждений ИИ","Предметно-независимый метод рассуждений для разделения доказательств и предположений, проверки конкурирующих гипотез и использования явных правил валидации.","Читать о структуре рассуждений","referralArticle",{},{"id":681,"data":682,"type":42,"tunes":684},"h-faq",{"text":683,"level":219},"Часто задаваемые вопросы",{},{"id":686,"data":687,"type":686,"tunes":710},"faq",{"items":688,"title":709},[689,693,697,701,705],{"id":690,"answer":691,"question":692},"faq1","Отдавайте предпочтение долговечной, повторно используемой информации с известным происхождением, восстановить которую дорого или ненадежно: например, устойчивые предпочтения пользователя, утвержденные решения по проекту, типовые процедуры и подтвержденные долгосрочные ограничения.","Какую информацию ИИ-агенту следует помнить долгосрочно?",{"id":694,"answer":695,"question":696},"faq2","Изменчивую информацию, имеющую авторитетный внешний источник, перед принятием ответственных решений обычно следует запрашивать заново. Примеры включают права доступа, остатки на складе, текущие цены, состояние учетной записи, версии политик, статус сервисов и актуальную документацию.","Что ИИ-агенту следует запрашивать заново вместо запоминания?",{"id":698,"answer":699,"question":700},"faq3","Пересчитывайте производные значения, если расчет обходится дешево, а устаревшие результаты могут дорого обойтись. Сохранять производное значение оправдано тогда, когда повторное вычисление ресурсоемко, а кэш содержит версию источника и условия инвалидации.","Когда ИИ-агенту следует вычислять информацию заново?",{"id":702,"answer":703,"question":704},"faq4","Да. Забывание, истечение срока действия и замена устаревших данных — полезные механизмы контроля временной, неактуальной, конфиденциальной, малоценной или вводящей в заблуждение информации. Неограниченное хранение создает шум и позволяет устаревшим или неверным сведениям искажать будущие решения.","Должны ли ИИ-агенты забывать информацию?",{"id":706,"answer":707,"question":708},"faq5","Само по себе — нет. Необработанная история позволяет сохранить факты диалога, но долгоживущим агентам обычно требуются фильтрация, структурирование, саммаризация, выделение фактов и процедур, поиск и правила жизненного цикла, чтобы низкоуровневая история не перегружала будущий контекст.","Является ли сохранение всей истории диалога хорошей стратегией памяти?","Жизненный цикл памяти ИИ-агента",{},{"id":712,"data":713,"type":42,"tunes":715},"h-glossary",{"text":714,"level":219},"Глоссарий",{},{"id":717,"data":718,"type":717,"tunes":744},"glossary",{"title":719,"entries":720},"Ключевые термины жизненного цикла памяти",[721,725,729,733,737,740],{"term":722,"anchor":723,"definition":724},"Допуск в память (Memory admission)","memory-admission","Процесс принятия решения, определяющий, разрешено ли информации перейти в долговременную память агента.",{"term":726,"anchor":727,"definition":728},"Замещение (Supersession)","supersession","Пометка более старой записи или решения как замененных новой информацией с сохранением исторического контекста при необходимости.",{"term":730,"anchor":731,"definition":732},"Инвалидация (Invalidation)","invalidation","Правило или событие, из-за которого сохраненное или закэшированное значение становится небезопасным для повторного использования без обновления, пересчета или проверки.",{"term":734,"anchor":735,"definition":736},"Происхождение данных (Provenance)","provenance","Метаданные, описывающие источник информации, время ее получения, кем или чем она была заявлена и как трансформировалась.",{"term":738,"anchor":314,"definition":739},"Изменчивость (Volatility)","Вероятность того, что информация изменится в промежутке между моментом ее сохранения и моментом повторного использования.",{"term":741,"anchor":742,"definition":743},"Стоимость восстановления (Reconstruction cost)","reconstruction-cost","Время, средства, вычислительные ресурсы, вызовы инструментов или уровень неопределенности, необходимые для повторного получения информации вместо ее извлечения из памяти.",{},{"id":746,"data":747,"type":42,"tunes":749},"h-sources",{"text":748,"level":219},"Первоисточники и материалы для дальнейшего чтения",{},{"id":751,"data":752,"type":758,"tunes":759},"src-openai-session",{"link":753,"meta":754},"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory",{"image":755,"title":756,"description":757},{"url":317},"OpenAI — Контекстная инженерия: управление краткосрочной памятью с помощью сессий","Руководство по усечению контекста, саммаризации, долгосрочным сессиям и сопутствующим рискам, таким как устаревшие детали и отравление контекста.","linkTool",{},{"id":761,"data":762,"type":758,"tunes":768},"src-anthropic-context",{"link":763,"meta":764},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":765,"title":766,"description":767},{"url":317},"Anthropic — Эффективная контекстная инженерия для ИИ-агентов","Инженерное руководство по курированию, сжатию, структурированному ведению заметок и поддержанию полезного контекста агента на длинных горизонтах.",{},{"id":770,"data":771,"type":758,"tunes":777},"src-anthropic-harness",{"link":772,"meta":773},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"image":774,"title":775,"description":776},{"url":317},"Anthropic — Эффективные среды исполнения для долгоживущих агентов","Практическая работа по сохранению прогресса и артефактов между окнами контекста при выполнении долгосрочных задач агента.",{},{"id":779,"data":780,"type":758,"tunes":786},"src-ms-plugmem",{"link":781,"meta":782},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F",{"image":783,"title":784,"description":785},{"url":317},"Microsoft Research — PlugMem","Исследование по трансформации «сырых» взаимодействий агента в структурированные переиспользуемые факты и навыки вместо накопления неструктурированной истории.",{},{"id":788,"data":789,"type":758,"tunes":795},"src-ms-mstar",{"link":790,"meta":791},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F",{"image":792,"title":793,"description":794},{"url":317},"Microsoft Research — M★: Каждой задаче нужна собственная среда памяти","Исследование, демонстрирующее, что специализированные механизмы памяти для конкретных задач превосходят универсальные архитектуры.",{},{"id":797,"data":798,"type":758,"tunes":804},"src-ms-memgym",{"link":799,"meta":800},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F",{"image":801,"title":802,"description":803},{"url":317},"Microsoft Research — MemGym","Бенчмарк для изоляции и оценки производительности памяти агентов в средах с длинным горизонтом планирования.",{},{"id":806,"data":807,"type":758,"tunes":813},"src-ms-human-memory",{"link":808,"meta":809},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F",{"image":810,"title":811,"description":812},{"url":317},"Microsoft Research — Архитектура памяти для LLM-агентов, вдохновленная человеческим мозгом","Исследование консолидации, забывания на основе интерференции, реконсолидации и извлечения данных в долговременной памяти агентов.",{},"2.31","Долгоживущие агенты не должны помнить всё. В этой статье представлена практическая модель жизненного цикла для определения того, что относится к долговременной памяти, что следует извлекать повторно, что безопаснее пересчитать, а что должно истечь по сроку действия или быть заменено.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28","PUBLISHED","2026-09-25T09:43:00.000Z","2026-09-25T15:43:41.228Z","2026-09-25T20:20:04.123Z",{"en":823,"de":824,"sr":825,"es":826,"fr":827,"it":828,"ru":829,"zh":830},"\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fde\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fsr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fes\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Ffr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fit\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fru\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fzh\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again",[832,836,840],{"id":833,"name":834,"slug":835},57,"Границы данных","data-boundaries",{"id":837,"name":838,"slug":839},84,"Политики и границы данных","policy-and-data",{"id":841,"name":842,"slug":843},54,"Модель угроз","threat-model",{"id":845,"login":846,"email":847,"displayName":848},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[850,1341],{"lang":851,"title":852,"content":853,"contentJson":854,"excerpt":1340},"en","What Should an AI Agent Remember, Forget, Recompute or Retrieve Again?","{\"time\":1790351469618,\"blocks\":[{\"id\":\"XDf71jsthn\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.\"},\"tunes\":{}},{\"id\":\"model-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"About the decision model\",\"body\":\"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.\"},\"tunes\":{}},{\"id\":\"h-lifecycle\",\"type\":\"header\",\"data\":{\"text\":\"The real memory problem is not storage — it is lifecycle control\",\"level\":2},\"tunes\":{}},{\"id\":\"p-life-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.\"},\"tunes\":{}},{\"id\":\"p-life-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.\"},\"tunes\":{}},{\"id\":\"p-life-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.\"},\"tunes\":{}},{\"id\":\"h-actions\",\"type\":\"header\",\"data\":{\"text\":\"Four possible actions for any piece of agent information\",\"level\":2},\"tunes\":{}},{\"id\":\"table-actions\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Action\",\"Use when\",\"Typical examples\",\"Primary risk\"],[\"Remember\",\"The information remains useful across future tasks and is costly or impossible to reconstruct reliably\",\"Stable user preference, accepted project decision, reusable skill, verified long-term constraint\",\"Persisting something false, stale, or too broad\"],[\"Re-read \u002F Retrieve\",\"The information has an authoritative source that may change\",\"Permissions, inventory, policy version, order state, product price, current API documentation\",\"Using an old copy instead of current authority\"],[\"Recompute\",\"The information is derived and inexpensive enough to calculate again\",\"Totals, scores, rankings, summaries from current source data, deterministic transformations\",\"Persisting stale derived output\"],[\"Forget \u002F Expire \u002F Supersede\",\"Future reuse has little value or creates privacy, staleness, conflict, or contamination risk\",\"Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state\",\"Losing information that later proves necessary\"]]},\"tunes\":{}},{\"id\":\"h-admission\",\"type\":\"header\",\"data\":{\"text\":\"The Memory Admission Test\",\"level\":2},\"tunes\":{}},{\"id\":\"p-admission-intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.\"},\"tunes\":{}},{\"id\":\"admission-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Six properties that decide whether information belongs in memory\",\"layout\":\"table\",\"columns\":[{\"id\":\"property\",\"label\":\"Property\"},{\"id\":\"question\",\"label\":\"Question\"},{\"id\":\"effect\",\"label\":\"Decision pressure\"}],\"rows\":[{\"id\":\"volatility\",\"label\":\"Volatility\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"authority\",\"label\":\"Authority\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reuse\",\"label\":\"Reuse value\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reconstruction\",\"label\":\"Reconstruction cost\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"sensitivity\",\"label\":\"Sensitivity\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"revision\",\"label\":\"Revision behaviour\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"rule-volatile\",\"type\":\"callout\",\"data\":{\"variant\":\"tip\",\"title\":\"A practical rule\",\"body\":\"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.\"},\"tunes\":{}},{\"id\":\"h-remember\",\"type\":\"header\",\"data\":{\"text\":\"1. Remember: durable knowledge that improves future decisions\",\"level\":3},\"tunes\":{}},{\"id\":\"p-remember-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.\"},\"tunes\":{}},{\"id\":\"p-remember-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.\"},\"tunes\":{}},{\"id\":\"p-remember-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.\"},\"tunes\":{}},{\"id\":\"h-reread\",\"type\":\"header\",\"data\":{\"text\":\"2. Re-read or retrieve: volatile facts with an external source of truth\",\"level\":3},\"tunes\":{}},{\"id\":\"p-reread-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.\"},\"tunes\":{}},{\"id\":\"p-reread-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.\"},\"tunes\":{}},{\"id\":\"stale-trap\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"The stale-memory trap\",\"body\":\"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.\"},\"tunes\":{}},{\"id\":\"h-recompute\",\"type\":\"header\",\"data\":{\"text\":\"3. Recompute: derived information that is cheaper to calculate than to trust\",\"level\":3},\"tunes\":{}},{\"id\":\"p-recompute-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.\"},\"tunes\":{}},{\"id\":\"p-recompute-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.\"},\"tunes\":{}},{\"id\":\"h-forget\",\"type\":\"header\",\"data\":{\"text\":\"4. Forget, expire, or supersede: deletion is a capability\",\"level\":3},\"tunes\":{}},{\"id\":\"p-forget-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.\"},\"tunes\":{}},{\"id\":\"p-forget-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.\"},\"tunes\":{}},{\"id\":\"p-forget-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.\"},\"tunes\":{}},{\"id\":\"h-method\",\"type\":\"header\",\"data\":{\"text\":\"The decision method\",\"level\":2},\"tunes\":{}},{\"id\":\"decision-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Decide the lifecycle of an information item\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Classify the information\",\"description\":\"Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?\"},{\"label\":\"2. Identify the source of truth\",\"description\":\"Determine whether another system or source remains more authoritative than the memory itself.\"},{\"label\":\"3. Estimate volatility\",\"description\":\"Ask how likely the item is to change before the next meaningful reuse.\"},{\"label\":\"4. Estimate reuse and reconstruction cost\",\"description\":\"Compare future value with the cost and reliability of fetching or recreating the information.\"},{\"label\":\"5. Check sensitivity and scope\",\"description\":\"Define who may access the information, where it may persist, and whether persistence is justified.\"},{\"label\":\"6. Define invalidation\",\"description\":\"Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.\"},{\"label\":\"7. Choose the action\",\"description\":\"Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.\"},{\"label\":\"8. Preserve provenance\",\"description\":\"Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.\"}]},\"tunes\":{}},{\"id\":\"h-examples\",\"type\":\"header\",\"data\":{\"text\":\"Examples: the same agent should use different lifecycle actions\",\"level\":2},\"tunes\":{}},{\"id\":\"examples-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Information\",\"Recommended action\",\"Why\"],[\"“The user prefers concise technical answers.”\",\"Remember\",\"Stable preference with high reuse value\"],[\"“The deployment is currently paused.”\",\"Re-read\",\"Current operational state can change\"],[\"“The total projected cost is €48,620.”\",\"Recompute from current inputs\",\"Derived value should follow source changes\"],[\"A 20,000-token raw tool response from yesterday\",\"Forget or archive externally\",\"Low direct reuse; high context cost\"],[\"A confirmed workaround for a recurring build failure\",\"Remember as reusable procedure\",\"High future reuse and expensive rediscovery\"],[\"A model guess about why a server failed\",\"Do not promote to durable fact\",\"Inference is not verified evidence\"],[\"An old project decision later replaced by a new one\",\"Supersede, retain audit history\",\"The latest decision should win without erasing provenance\"],[\"A current product price\",\"Retrieve again\",\"High volatility and external authority\"],[\"A legal or policy interpretation\",\"Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action\",\"Applicability can change with time and jurisdiction\"]]},\"tunes\":{}},{\"id\":\"h-conditions\",\"type\":\"header\",\"data\":{\"text\":\"Memory should store conditions, not only conclusions\",\"level\":2},\"tunes\":{}},{\"id\":\"p-cond-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.\"},\"tunes\":{}},{\"id\":\"p-cond-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.\"},\"tunes\":{}},{\"id\":\"h-write-cost\",\"type\":\"header\",\"data\":{\"text\":\"A memory write should be more expensive than a memory read\",\"level\":2},\"tunes\":{}},{\"id\":\"p-write-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.\"},\"tunes\":{}},{\"id\":\"p-write-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.\"},\"tunes\":{}},{\"id\":\"h-quality\",\"type\":\"header\",\"data\":{\"text\":\"Memory quality has at least five dimensions\",\"level\":2},\"tunes\":{}},{\"id\":\"quality-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\"],[\"Retention quality\",\"Did the system preserve the information that should survive?\"],[\"Retrieval quality\",\"Can the system recover the right memory when it matters?\"],[\"Freshness quality\",\"Does the system know when stored information is no longer current?\"],[\"Provenance quality\",\"Can the system distinguish source, user statement, observation, derivation, and inference?\"],[\"Retirement quality\",\"Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?\"]]},\"tunes\":{}},{\"id\":\"p-quality-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.\"},\"tunes\":{}},{\"id\":\"h-not-store\",\"type\":\"header\",\"data\":{\"text\":\"What not to put into durable memory by default\",\"level\":2},\"tunes\":{}},{\"id\":\"not-store-list\",\"type\":\"list\",\"data\":{\"style\":\"unordered\",\"meta\":{},\"items\":[\"Raw chain-of-thought or hidden reasoning artifacts.\",\"Temporary authentication tokens, secrets, or credentials.\",\"Model-generated hypotheses that have not been verified.\",\"Volatile state that has a live authoritative system.\",\"Cheaply recomputable derived values without their source inputs.\",\"Large tool outputs merely because storage is available.\",\"Duplicate copies of information already governed by a better source of truth.\",\"Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.\",\"Superseded conclusions without explicit version or retirement semantics.\",\"Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.\"]},\"tunes\":{}},{\"id\":\"h-task-specific\",\"type\":\"header\",\"data\":{\"text\":\"Memory is task-specific — there is no universal optimal store\",\"level\":2},\"tunes\":{}},{\"id\":\"p-task-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.\"},\"tunes\":{}},{\"id\":\"p-task-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?\"},\"tunes\":{}},{\"id\":\"h-limitations\",\"type\":\"header\",\"data\":{\"text\":\"Limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-limit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.\"},\"tunes\":{}},{\"id\":\"p-limit-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.\"},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.\"},\"tunes\":{}},{\"id\":\"internal-reasoning\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\",\"title\":\"From Research Protocol to a General AI Reasoning Framework\",\"excerpt\":\"A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.\",\"ctaLabel\":\"Read the reasoning framework\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"FAQ\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"AI agent memory lifecycle\",\"items\":[{\"id\":\"faq1\",\"question\":\"What information should an AI agent remember long term?\",\"answer\":\"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.\"},{\"id\":\"faq2\",\"question\":\"What should an AI agent retrieve again instead of remembering?\",\"answer\":\"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.\"},{\"id\":\"faq3\",\"question\":\"When should an AI agent recompute information?\",\"answer\":\"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.\"},{\"id\":\"faq4\",\"question\":\"Should AI agents forget information?\",\"answer\":\"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.\"},{\"id\":\"faq5\",\"question\":\"Is storing the entire conversation history a good memory strategy?\",\"answer\":\"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key memory lifecycle terms\",\"entries\":[{\"term\":\"Memory admission\",\"definition\":\"The decision process that determines whether information is allowed to become persistent agent memory.\",\"anchor\":\"memory-admission\"},{\"term\":\"Supersession\",\"definition\":\"Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.\",\"anchor\":\"supersession\"},{\"term\":\"Invalidation\",\"definition\":\"A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.\",\"anchor\":\"invalidation\"},{\"term\":\"Provenance\",\"definition\":\"Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.\",\"anchor\":\"provenance\"},{\"term\":\"Volatility\",\"definition\":\"The likelihood that information will change between the time it is stored and the time it is reused.\",\"anchor\":\"volatility\"},{\"term\":\"Reconstruction cost\",\"definition\":\"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.\",\"anchor\":\"reconstruction-cost\"}]},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and further reading\",\"level\":2},\"tunes\":{}},{\"id\":\"src-openai-session\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Context Engineering: Short-Term Memory Management with Sessions\",\"description\":\"Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Context Engineering for AI Agents\",\"description\":\"Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-harness\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Harnesses for Long-Running Agents\",\"description\":\"Practical work on preserving progress and artifacts across context windows in long-running agent tasks.\"}},\"tunes\":{}},{\"id\":\"src-ms-plugmem\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — PlugMem\",\"description\":\"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.\"}},\"tunes\":{}},{\"id\":\"src-ms-mstar\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness\",\"description\":\"Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.\"}},\"tunes\":{}},{\"id\":\"src-ms-memgym\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — MemGym\",\"description\":\"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.\"}},\"tunes\":{}},{\"id\":\"src-ms-human-memory\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents\",\"description\":\"Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":855,"blocks":856,"version":1339},1790351469618,[857,861,865,870,875,879,883,887,891,895,924,928,932,962,967,971,975,979,983,987,991,995,1000,1004,1008,1012,1016,1020,1024,1028,1032,1061,1065,1108,1112,1116,1120,1124,1128,1132,1136,1157,1161,1165,1180,1184,1188,1192,1196,1200,1204,1208,1212,1216,1220,1224,1228,1232,1239,1243,1263,1267,1288,1292,1299,1306,1313,1319,1326,1332],{"id":215,"data":858,"type":220,"tunes":860},{"title":859,"maxLevel":218,"minLevel":219},"Contents",{},{"id":223,"data":862,"type":226,"tunes":864},{"text":863},"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.",{},{"id":229,"data":866,"type":234,"tunes":869},{"body":867,"title":868,"variant":233},"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.","Direct answer",{},{"id":237,"data":871,"type":234,"tunes":874},{"body":872,"title":873,"variant":241},"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.","About the decision model",{},{"id":244,"data":876,"type":42,"tunes":878},{"text":877,"level":219},"The real memory problem is not storage — it is lifecycle control",{},{"id":249,"data":880,"type":226,"tunes":882},{"text":881},"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.",{},{"id":254,"data":884,"type":226,"tunes":886},{"text":885},"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.",{},{"id":259,"data":888,"type":226,"tunes":890},{"text":889},"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.",{},{"id":264,"data":892,"type":42,"tunes":894},{"text":893,"level":219},"Four possible actions for any piece of agent information",{},{"id":269,"data":896,"type":297,"tunes":923},{"content":897,"stretched":43,"withHeadings":14},[898,903,908,913,918],[899,900,901,902],"Action","Use when","Typical examples","Primary risk",[904,905,906,907],"Remember","The information remains useful across future tasks and is costly or impossible to reconstruct reliably","Stable user preference, accepted project decision, reusable skill, verified long-term constraint","Persisting something false, stale, or too broad",[909,910,911,912],"Re-read \u002F Retrieve","The information has an authoritative source that may change","Permissions, inventory, policy version, order state, product price, current API documentation","Using an old copy instead of current authority",[914,915,916,917],"Recompute","The information is derived and inexpensive enough to calculate again","Totals, scores, rankings, summaries from current source data, deterministic transformations","Persisting stale derived output",[919,920,921,922],"Forget \u002F Expire \u002F Supersede","Future reuse has little value or creates privacy, staleness, conflict, or contamination risk","Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state","Losing information that later proves necessary",{},{"id":300,"data":925,"type":42,"tunes":927},{"text":926,"level":219},"The Memory Admission Test",{},{"id":305,"data":929,"type":226,"tunes":931},{"text":930},"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.",{},{"id":310,"data":933,"type":349,"tunes":961},{"rows":934,"title":953,"layout":297,"columns":954},[935,938,941,944,947,950],{"id":314,"label":936,"values":937},"Volatility",[317,317,317],{"id":319,"label":939,"values":940},"Authority",[317,317,317],{"id":323,"label":942,"values":943},"Reuse value",[317,317,317],{"id":327,"label":945,"values":946},"Reconstruction cost",[317,317,317],{"id":331,"label":948,"values":949},"Sensitivity",[317,317,317],{"id":335,"label":951,"values":952},"Revision behaviour",[317,317,317],"Six properties that decide whether information belongs in memory",[955,957,959],{"id":341,"label":956},"Property",{"id":344,"label":958},"Question",{"id":347,"label":960},"Decision pressure",{},{"id":352,"data":963,"type":234,"tunes":966},{"body":964,"title":965,"variant":356},"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.","A practical rule",{},{"id":359,"data":968,"type":42,"tunes":970},{"text":969,"level":218},"1. Remember: durable knowledge that improves future decisions",{},{"id":364,"data":972,"type":226,"tunes":974},{"text":973},"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.",{},{"id":369,"data":976,"type":226,"tunes":978},{"text":977},"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.",{},{"id":374,"data":980,"type":226,"tunes":982},{"text":981},"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.",{},{"id":379,"data":984,"type":42,"tunes":986},{"text":985,"level":218},"2. Re-read or retrieve: volatile facts with an external source of truth",{},{"id":384,"data":988,"type":226,"tunes":990},{"text":989},"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.",{},{"id":389,"data":992,"type":226,"tunes":994},{"text":993},"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.",{},{"id":394,"data":996,"type":234,"tunes":999},{"body":997,"title":998,"variant":398},"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.","The stale-memory trap",{},{"id":401,"data":1001,"type":42,"tunes":1003},{"text":1002,"level":218},"3. Recompute: derived information that is cheaper to calculate than to trust",{},{"id":406,"data":1005,"type":226,"tunes":1007},{"text":1006},"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.",{},{"id":411,"data":1009,"type":226,"tunes":1011},{"text":1010},"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.",{},{"id":416,"data":1013,"type":42,"tunes":1015},{"text":1014,"level":218},"4. Forget, expire, or supersede: deletion is a capability",{},{"id":421,"data":1017,"type":226,"tunes":1019},{"text":1018},"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.",{},{"id":426,"data":1021,"type":226,"tunes":1023},{"text":1022},"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.",{},{"id":431,"data":1025,"type":226,"tunes":1027},{"text":1026},"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.",{},{"id":436,"data":1029,"type":42,"tunes":1031},{"text":1030,"level":219},"The decision method",{},{"id":441,"data":1033,"type":470,"tunes":1060},{"steps":1034,"title":1059,"orientation":469},[1035,1038,1041,1044,1047,1050,1053,1056],{"label":1036,"description":1037},"1. Classify the information","Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?",{"label":1039,"description":1040},"2. Identify the source of truth","Determine whether another system or source remains more authoritative than the memory itself.",{"label":1042,"description":1043},"3. Estimate volatility","Ask how likely the item is to change before the next meaningful reuse.",{"label":1045,"description":1046},"4. Estimate reuse and reconstruction cost","Compare future value with the cost and reliability of fetching or recreating the information.",{"label":1048,"description":1049},"5. Check sensitivity and scope","Define who may access the information, where it may persist, and whether persistence is justified.",{"label":1051,"description":1052},"6. Define invalidation","Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.",{"label":1054,"description":1055},"7. Choose the action","Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.",{"label":1057,"description":1058},"8. Preserve provenance","Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.","Decide the lifecycle of an information item",{},{"id":473,"data":1062,"type":42,"tunes":1064},{"text":1063,"level":219},"Examples: the same agent should use different lifecycle actions",{},{"id":478,"data":1066,"type":297,"tunes":1107},{"content":1067,"stretched":43,"withHeadings":14},[1068,1072,1075,1079,1083,1087,1091,1095,1099,1103],[1069,1070,1071],"Information","Recommended action","Why",[1073,904,1074],"“The user prefers concise technical answers.”","Stable preference with high reuse value",[1076,1077,1078],"“The deployment is currently paused.”","Re-read","Current operational state can change",[1080,1081,1082],"“The total projected cost is €48,620.”","Recompute from current inputs","Derived value should follow source changes",[1084,1085,1086],"A 20,000-token raw tool response from yesterday","Forget or archive externally","Low direct reuse; high context cost",[1088,1089,1090],"A confirmed workaround for a recurring build failure","Remember as reusable procedure","High future reuse and expensive rediscovery",[1092,1093,1094],"A model guess about why a server failed","Do not promote to durable fact","Inference is not verified evidence",[1096,1097,1098],"An old project decision later replaced by a new one","Supersede, retain audit history","The latest decision should win without erasing provenance",[1100,1101,1102],"A current product price","Retrieve again","High volatility and external authority",[1104,1105,1106],"A legal or policy interpretation","Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action","Applicability can change with time and jurisdiction",{},{"id":522,"data":1109,"type":42,"tunes":1111},{"text":1110,"level":219},"Memory should store conditions, not only conclusions",{},{"id":527,"data":1113,"type":226,"tunes":1115},{"text":1114},"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.",{},{"id":532,"data":1117,"type":226,"tunes":1119},{"text":1118},"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.",{},{"id":537,"data":1121,"type":42,"tunes":1123},{"text":1122,"level":219},"A memory write should be more expensive than a memory read",{},{"id":542,"data":1125,"type":226,"tunes":1127},{"text":1126},"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.",{},{"id":547,"data":1129,"type":226,"tunes":1131},{"text":1130},"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.",{},{"id":552,"data":1133,"type":42,"tunes":1135},{"text":1134,"level":219},"Memory quality has at least five dimensions",{},{"id":557,"data":1137,"type":297,"tunes":1156},{"content":1138,"stretched":43,"withHeadings":14},[1139,1141,1144,1147,1150,1153],[1140,958],"Dimension",[1142,1143],"Retention quality","Did the system preserve the information that should survive?",[1145,1146],"Retrieval quality","Can the system recover the right memory when it matters?",[1148,1149],"Freshness quality","Does the system know when stored information is no longer current?",[1151,1152],"Provenance quality","Can the system distinguish source, user statement, observation, derivation, and inference?",[1154,1155],"Retirement quality","Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?",{},{"id":579,"data":1158,"type":226,"tunes":1160},{"text":1159},"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.",{},{"id":584,"data":1162,"type":42,"tunes":1164},{"text":1163,"level":219},"What not to put into durable memory by default",{},{"id":589,"data":1166,"type":604,"tunes":1179},{"meta":1167,"items":1168,"style":603},{},[1169,1170,1171,1172,1173,1174,1175,1176,1177,1178],"Raw chain-of-thought or hidden reasoning artifacts.","Temporary authentication tokens, secrets, or credentials.","Model-generated hypotheses that have not been verified.","Volatile state that has a live authoritative system.","Cheaply recomputable derived values without their source inputs.","Large tool outputs merely because storage is available.","Duplicate copies of information already governed by a better source of truth.","Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.","Superseded conclusions without explicit version or retirement semantics.","Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.",{},{"id":607,"data":1181,"type":42,"tunes":1183},{"text":1182,"level":219},"Memory is task-specific — there is no universal optimal store",{},{"id":612,"data":1185,"type":226,"tunes":1187},{"text":1186},"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.",{},{"id":617,"data":1189,"type":226,"tunes":1191},{"text":1190},"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.",{},{"id":622,"data":1193,"type":42,"tunes":1195},{"text":1194,"level":219},"What would change this answer?",{},{"id":627,"data":1197,"type":226,"tunes":1199},{"text":1198},"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.",{},{"id":632,"data":1201,"type":226,"tunes":1203},{"text":1202},"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.",{},{"id":637,"data":1205,"type":226,"tunes":1207},{"text":1206},"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?",{},{"id":642,"data":1209,"type":42,"tunes":1211},{"text":1210,"level":219},"Limitations",{},{"id":647,"data":1213,"type":226,"tunes":1215},{"text":1214},"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.",{},{"id":652,"data":1217,"type":226,"tunes":1219},{"text":1218},"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.",{},{"id":657,"data":1221,"type":42,"tunes":1223},{"text":1222,"level":219},"Conclusion",{},{"id":662,"data":1225,"type":226,"tunes":1227},{"text":1226},"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.",{},{"id":667,"data":1229,"type":226,"tunes":1231},{"text":1230},"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.",{},{"id":672,"data":1233,"type":678,"tunes":1238},{"url":1234,"title":1235,"excerpt":1236,"ctaLabel":1237},"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","From Research Protocol to a General AI Reasoning Framework","A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.","Read the reasoning framework",{},{"id":681,"data":1240,"type":42,"tunes":1242},{"text":1241,"level":219},"FAQ",{},{"id":686,"data":1244,"type":686,"tunes":1262},{"items":1245,"title":1261},[1246,1249,1252,1255,1258],{"id":690,"answer":1247,"question":1248},"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.","What information should an AI agent remember long term?",{"id":694,"answer":1250,"question":1251},"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.","What should an AI agent retrieve again instead of remembering?",{"id":698,"answer":1253,"question":1254},"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.","When should an AI agent recompute information?",{"id":702,"answer":1256,"question":1257},"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.","Should AI agents forget information?",{"id":706,"answer":1259,"question":1260},"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.","Is storing the entire conversation history a good memory strategy?","AI agent memory lifecycle",{},{"id":712,"data":1264,"type":42,"tunes":1266},{"text":1265,"level":219},"Glossary",{},{"id":717,"data":1268,"type":717,"tunes":1287},{"title":1269,"entries":1270},"Key memory lifecycle terms",[1271,1274,1277,1280,1283,1285],{"term":1272,"anchor":723,"definition":1273},"Memory admission","The decision process that determines whether information is allowed to become persistent agent memory.",{"term":1275,"anchor":727,"definition":1276},"Supersession","Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.",{"term":1278,"anchor":731,"definition":1279},"Invalidation","A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.",{"term":1281,"anchor":735,"definition":1282},"Provenance","Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.",{"term":936,"anchor":314,"definition":1284},"The likelihood that information will change between the time it is stored and the time it is reused.",{"term":945,"anchor":742,"definition":1286},"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.",{},{"id":746,"data":1289,"type":42,"tunes":1291},{"text":1290,"level":219},"Primary sources and further reading",{},{"id":751,"data":1293,"type":758,"tunes":1298},{"link":753,"meta":1294},{"image":1295,"title":1296,"description":1297},{"url":317},"OpenAI — Context Engineering: Short-Term Memory Management with Sessions","Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.",{},{"id":761,"data":1300,"type":758,"tunes":1305},{"link":763,"meta":1301},{"image":1302,"title":1303,"description":1304},{"url":317},"Anthropic — Effective Context Engineering for AI Agents","Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.",{},{"id":770,"data":1307,"type":758,"tunes":1312},{"link":772,"meta":1308},{"image":1309,"title":1310,"description":1311},{"url":317},"Anthropic — Effective Harnesses for Long-Running Agents","Practical work on preserving progress and artifacts across context windows in long-running agent tasks.",{},{"id":779,"data":1314,"type":758,"tunes":1318},{"link":781,"meta":1315},{"image":1316,"title":784,"description":1317},{"url":317},"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.",{},{"id":788,"data":1320,"type":758,"tunes":1325},{"link":790,"meta":1321},{"image":1322,"title":1323,"description":1324},{"url":317},"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness","Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.",{},{"id":797,"data":1327,"type":758,"tunes":1331},{"link":799,"meta":1328},{"image":1329,"title":802,"description":1330},{"url":317},"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.",{},{"id":806,"data":1333,"type":758,"tunes":1338},{"link":808,"meta":1334},{"image":1335,"title":1336,"description":1337},{"url":317},"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents","Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.",{},"2.31.6","Long-running agents should not remember everything. This article provides a practical lifecycle model for deciding what belongs in durable memory, what should be retrieved again, what is safer to recompute, and what should expire or be superseded.",{"lang":7,"title":208,"content":210,"contentJson":1342,"excerpt":815},{"time":212,"blocks":1343,"version":814},[1344,1347,1350,1353,1356,1359,1362,1365,1368,1371,1380,1383,1386,1406,1409,1412,1415,1418,1421,1424,1427,1430,1433,1436,1439,1442,1445,1448,1451,1454,1457,1469,1472,1486,1489,1492,1495,1498,1501,1504,1507,1517,1520,1523,1528,1531,1534,1537,1540,1543,1546,1549,1552,1555,1558,1561,1564,1567,1570,1573,1582,1585,1595,1598,1603,1608,1613,1618,1623,1628],{"id":215,"data":1345,"type":220,"tunes":1346},{"title":217,"maxLevel":218,"minLevel":219},{},{"id":223,"data":1348,"type":226,"tunes":1349},{"text":225},{},{"id":229,"data":1351,"type":234,"tunes":1352},{"body":231,"title":232,"variant":233},{},{"id":237,"data":1354,"type":234,"tunes":1355},{"body":239,"title":240,"variant":241},{},{"id":244,"data":1357,"type":42,"tunes":1358},{"text":246,"level":219},{},{"id":249,"data":1360,"type":226,"tunes":1361},{"text":251},{},{"id":254,"data":1363,"type":226,"tunes":1364},{"text":256},{},{"id":259,"data":1366,"type":226,"tunes":1367},{"text":261},{},{"id":264,"data":1369,"type":42,"tunes":1370},{"text":266,"level":219},{},{"id":269,"data":1372,"type":297,"tunes":1379},{"content":1373,"stretched":43,"withHeadings":14},[1374,1375,1376,1377,1378],[273,274,275,276],[278,279,280,281],[283,284,285,286],[288,289,290,291],[293,294,295,296],{},{"id":300,"data":1381,"type":42,"tunes":1382},{"text":302,"level":219},{},{"id":305,"data":1384,"type":226,"tunes":1385},{"text":307},{},{"id":310,"data":1387,"type":349,"tunes":1405},{"rows":1388,"title":338,"layout":297,"columns":1401},[1389,1391,1393,1395,1397,1399],{"id":314,"label":315,"values":1390},[317,317,317],{"id":319,"label":320,"values":1392},[317,317,317],{"id":323,"label":324,"values":1394},[317,317,317],{"id":327,"label":328,"values":1396},[317,317,317],{"id":331,"label":332,"values":1398},[317,317,317],{"id":335,"label":336,"values":1400},[317,317,317],[1402,1403,1404],{"id":341,"label":342},{"id":344,"label":345},{"id":347,"label":348},{},{"id":352,"data":1407,"type":234,"tunes":1408},{"body":354,"title":355,"variant":356},{},{"id":359,"data":1410,"type":42,"tunes":1411},{"text":361,"level":218},{},{"id":364,"data":1413,"type":226,"tunes":1414},{"text":366},{},{"id":369,"data":1416,"type":226,"tunes":1417},{"text":371},{},{"id":374,"data":1419,"type":226,"tunes":1420},{"text":376},{},{"id":379,"data":1422,"type":42,"tunes":1423},{"text":381,"level":218},{},{"id":384,"data":1425,"type":226,"tunes":1426},{"text":386},{},{"id":389,"data":1428,"type":226,"tunes":1429},{"text":391},{},{"id":394,"data":1431,"type":234,"tunes":1432},{"body":396,"title":397,"variant":398},{},{"id":401,"data":1434,"type":42,"tunes":1435},{"text":403,"level":218},{},{"id":406,"data":1437,"type":226,"tunes":1438},{"text":408},{},{"id":411,"data":1440,"type":226,"tunes":1441},{"text":413},{},{"id":416,"data":1443,"type":42,"tunes":1444},{"text":418,"level":218},{},{"id":421,"data":1446,"type":226,"tunes":1447},{"text":423},{},{"id":426,"data":1449,"type":226,"tunes":1450},{"text":428},{},{"id":431,"data":1452,"type":226,"tunes":1453},{"text":433},{},{"id":436,"data":1455,"type":42,"tunes":1456},{"text":438,"level":219},{},{"id":441,"data":1458,"type":470,"tunes":1468},{"steps":1459,"title":468,"orientation":469},[1460,1461,1462,1463,1464,1465,1466,1467],{"label":445,"description":446},{"label":448,"description":449},{"label":451,"description":452},{"label":454,"description":455},{"label":457,"description":458},{"label":460,"description":461},{"label":463,"description":464},{"label":466,"description":467},{},{"id":473,"data":1470,"type":42,"tunes":1471},{"text":475,"level":219},{},{"id":478,"data":1473,"type":297,"tunes":1485},{"content":1474,"stretched":43,"withHeadings":14},[1475,1476,1477,1478,1479,1480,1481,1482,1483,1484],[482,483,484],[486,278,487],[489,490,491],[493,494,495],[497,498,499],[501,502,503],[505,506,507],[509,510,511],[513,514,515],[517,518,519],{},{"id":522,"data":1487,"type":42,"tunes":1488},{"text":524,"level":219},{},{"id":527,"data":1490,"type":226,"tunes":1491},{"text":529},{},{"id":532,"data":1493,"type":226,"tunes":1494},{"text":534},{},{"id":537,"data":1496,"type":42,"tunes":1497},{"text":539,"level":219},{},{"id":542,"data":1499,"type":226,"tunes":1500},{"text":544},{},{"id":547,"data":1502,"type":226,"tunes":1503},{"text":549},{},{"id":552,"data":1505,"type":42,"tunes":1506},{"text":554,"level":219},{},{"id":557,"data":1508,"type":297,"tunes":1516},{"content":1509,"stretched":43,"withHeadings":14},[1510,1511,1512,1513,1514,1515],[561,345],[563,564],[566,567],[569,570],[572,573],[575,576],{},{"id":579,"data":1518,"type":226,"tunes":1519},{"text":581},{},{"id":584,"data":1521,"type":42,"tunes":1522},{"text":586,"level":219},{},{"id":589,"data":1524,"type":604,"tunes":1527},{"meta":1525,"items":1526,"style":603},{},[593,594,595,596,597,598,599,600,601,602],{},{"id":607,"data":1529,"type":42,"tunes":1530},{"text":609,"level":219},{},{"id":612,"data":1532,"type":226,"tunes":1533},{"text":614},{},{"id":617,"data":1535,"type":226,"tunes":1536},{"text":619},{},{"id":622,"data":1538,"type":42,"tunes":1539},{"text":624,"level":219},{},{"id":627,"data":1541,"type":226,"tunes":1542},{"text":629},{},{"id":632,"data":1544,"type":226,"tunes":1545},{"text":634},{},{"id":637,"data":1547,"type":226,"tunes":1548},{"text":639},{},{"id":642,"data":1550,"type":42,"tunes":1551},{"text":644,"level":219},{},{"id":647,"data":1553,"type":226,"tunes":1554},{"text":649},{},{"id":652,"data":1556,"type":226,"tunes":1557},{"text":654},{},{"id":657,"data":1559,"type":42,"tunes":1560},{"text":659,"level":219},{},{"id":662,"data":1562,"type":226,"tunes":1563},{"text":664},{},{"id":667,"data":1565,"type":226,"tunes":1566},{"text":669},{},{"id":672,"data":1568,"type":678,"tunes":1569},{"url":674,"title":675,"excerpt":676,"ctaLabel":677},{},{"id":681,"data":1571,"type":42,"tunes":1572},{"text":683,"level":219},{},{"id":686,"data":1574,"type":686,"tunes":1581},{"items":1575,"title":709},[1576,1577,1578,1579,1580],{"id":690,"answer":691,"question":692},{"id":694,"answer":695,"question":696},{"id":698,"answer":699,"question":700},{"id":702,"answer":703,"question":704},{"id":706,"answer":707,"question":708},{},{"id":712,"data":1583,"type":42,"tunes":1584},{"text":714,"level":219},{},{"id":717,"data":1586,"type":717,"tunes":1594},{"title":719,"entries":1587},[1588,1589,1590,1591,1592,1593],{"term":722,"anchor":723,"definition":724},{"term":726,"anchor":727,"definition":728},{"term":730,"anchor":731,"definition":732},{"term":734,"anchor":735,"definition":736},{"term":738,"anchor":314,"definition":739},{"term":741,"anchor":742,"definition":743},{},{"id":746,"data":1596,"type":42,"tunes":1597},{"text":748,"level":219},{},{"id":751,"data":1599,"type":758,"tunes":1602},{"link":753,"meta":1600},{"image":1601,"title":756,"description":757},{"url":317},{},{"id":761,"data":1604,"type":758,"tunes":1607},{"link":763,"meta":1605},{"image":1606,"title":766,"description":767},{"url":317},{},{"id":770,"data":1609,"type":758,"tunes":1612},{"link":772,"meta":1610},{"image":1611,"title":775,"description":776},{"url":317},{},{"id":779,"data":1614,"type":758,"tunes":1617},{"link":781,"meta":1615},{"image":1616,"title":784,"description":785},{"url":317},{},{"id":788,"data":1619,"type":758,"tunes":1622},{"link":790,"meta":1620},{"image":1621,"title":793,"description":794},{"url":317},{},{"id":797,"data":1624,"type":758,"tunes":1627},{"link":799,"meta":1625},{"image":1626,"title":802,"description":803},{"url":317},{},{"id":806,"data":1629,"type":758,"tunes":1632},{"link":808,"meta":1630},{"image":1631,"title":811,"description":812},{"url":317},{},"Post erfolgreich abgerufen",{"items":1635,"source":1678,"manualIds":1679,"manualMatchedIds":1680},[1636,1643,1650,1657,1664,1671],{"id":1637,"slug":1638,"title":1639,"excerpt":1640,"featuredImage":1641,"publishedAt":1642},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Как узнать, действительно ли ИИ-агент использовал правильные доказательства","ИИ-агент может ссылаться на источники и при этом использовать неверные доказательства. В этой статье представлен практический метод проверки обоснованности утверждений, авторитетности источников, применимости, происхождения и того, действительно ли доказательства повлияли на ответ.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z",{"id":1644,"slug":1645,"title":1646,"excerpt":1647,"featuredImage":1648,"publishedAt":1649},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Граница достоверности ответа: недостающий слой между релевантностью и надёжными ответами ИИ","Источник может быть релевантным, авторитетным и при этом неверным для задаваемого вопроса. Недостающий слой — применимость: условия, при которых ответ остаётся в силе, и изменения, вынуждающие пересмотреть его. В этой статье вводится понятие «Граница действительности ответа» как паттерн проектирования источников для людей, ИИ-поиска и RAG-систем.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":1651,"slug":1652,"title":1653,"excerpt":1654,"featuredImage":1655,"publishedAt":1656},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","GPU — не продукт: перспективная архитектура приватного ИИ","Инфраструктура приватного ИИ не должна проектироваться вокруг одного GPU или одной модели. Более устойчивый подход объединяет быстрые GPU для инференса, ИИ-системы с большим объемом памяти, узлы физического ИИ и опциональные передовые облачные модели за уровнем маршрутизации, учитывающим возможности.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":1658,"slug":1659,"title":1660,"excerpt":1661,"featuredImage":1662,"publishedAt":1663},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: разбор стека протоколов агентов","MCP, A2A, UCP, AP2 и A2UI часто представляют как конкурирующие агентские стандарты. В основном они решают разные проблемы интероперабельности. Это руководство сопоставляет каждый протокол с границей, которую он фактически стандартизирует,—и показывает, как они могут работать вместе в одной промышленной системе.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":1665,"slug":1666,"title":1667,"excerpt":1668,"featuredImage":1669,"publishedAt":1670},"478","what-is-rag-the-simplest-explanation-of-how-it-works","Что такое RAG? Самое простое объяснение того, как это работает","RAG звучит сложно, но идея проста: прежде чем ИИ ответит, он сначала находит полезную информацию из источника знаний и передаёт эту информацию языковой модели. В этом руководстве объясняются RAG, LLM, состояние, память и инструменты с помощью одной простой ментальной модели.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":1672,"slug":1673,"title":1674,"excerpt":1675,"featuredImage":1676,"publishedAt":1677},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","Память ИИ-агента — это не RAG: как разграничить память, извлечение, состояние и контекст","Память агента, RAG, состояние и контекст часто используются так, будто они взаимозаменяемы. Это не так. Эта практическая архитектурная модель разделяет четыре уровня, показывает, где место каждого из них, и объясняет, что ломается, когда системы объединяют их в одно целое.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z","fallback",[],[]]