Память ИИ-систем — постоянное знание и память агентов
Персистентное знание за пределами отдельного диалогового потока.
Этот раздел собирает руководства по накопительным знаниям и памяти для ИИ-систем — как ассистенты хранят факты, предпочтения и выжимки контекста между сессиями, не пытаясь впихнуть каждый токен в один промпт. Здесь память означает намеренное сохранение (факты о пользователе, сводки, хранилища на основе плагинов), а не VRAM видеокарты или веса модели.
Этот раздел дополняет более широкий кластер Системы ИИ — OpenClaw, Hermes, оркестрация — и располагается рядом с RAG для механики извлечения и Размещение LLM для запуска моделей.
Память является частью более широкого стека ассистентов, описанного в Архитектура ИИ-ассистентов, наряду с маршрутизацией, инструментами и наблюдаемостью.
Проектирование памяти для ассистентов
Межфреймворковое руководство по краткосрочной, структурированной и извлекаемой памяти — политика консолидации, компромиссы векторных баз данных и паттерны из OpenAI, LangGraph, Hermes и OpenClaw.
- Системы памяти в ИИ-ассистентах, которые действительно помогают — рабочая память, структурированное состояние, слои извлечения и случаи, когда память помогает, а когда вредит
Провайдеры памяти для агентов
Готовые к интеграции бэкенды, предоставляемые фреймворками, такими как Hermes Agent и OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne и другие — с различными компромиссами в выборе LLM, эмбеддингов и баз данных.
- Сравнение провайдеров памяти для агентов — полная таблица, сравнение политик захвата, примечания о зависимостях и сценарии
memory setupдля Hermes - Память Hindsight для OpenCode, Cursor и других кодинг-агентов — один плагин для OpenCode, CLI Cursor и других обвязок, с общим банком на каждый репозиторий
Для ограниченной ядровой памяти только для Hermes (MEMORY.md / USER.md) см. Система памяти Hermes Agent. Для установки Mnemosyne и пошагового разбора консервативной политики записи см. Mnemosyne для Hermes Agent: Быстрый старт с локальной памятью. Для Hindsight в Hermes с локальными эмбеддингами, реранкингом, контролем пути записи и резервным копированием банков см. Hindsight для Hermes Agent: Самостоятельно размещаемая память с локальными LLM.
Управление памятью и режимы отказов
Автоматический захват, рефлексия и консолидация могут превратить собственные рассуждения модели в устойчивый «факт», который впоследствии рассматривается как доказательство.
- Самовоспроизводящиеся циклы памяти в ИИ-агентах — семь форм, которые принимает эта обратная связь, почему происхождение (провенанс) данных важнее эмбеддингов и как проверить, отказывается ли провайдер запоминать
Графы знаний и Cognee
Институциональные и проектные знания, извлеченные в графы для ассистентов с учетом извлечения.
- Самостоятельное размещение Cognee — Выбор LLM в Ollama — пошаговое быстрое знакомство с Cognee с использованием локальных моделей
- Выбор подходящей LLM для Cognee — Локальная настройка Ollama — сравнение моделей: качество графа против характеристик оборудования
Сборщики графов, такие как Cognee, обычно инжестируют (вносят) Markdown-хранилища, вики или экспорты, которые люди уже отредактировали; значимость, имена и «почему это было важно» в значительной степени определены до того, как фрагменты попадут в эмбеддинги. Хаотичный исходный корпус обучает ассистента возвращать двусмысленность; дисциплинированные рабочие процессы «захвата через выражение» ограничивают этот ущерб. Для такого человеко-ориентированного взгляда — включая то, чем он отличается от RAG с приоритетом на извлечение — см. Второй мозг: объяснение для инженеров.
