Память ИИ-систем — постоянные знания и память агента
Персистентные знания, выходящие за рамки одного чат-потока.
Этот раздел собирает руководства по персистентным знаниям и памяти для ИИ-систем — как ассистенты сохраняют факты, предпочтения и выделенный контекст между сессиями, не перегружая каждый токен в одном промпте. Здесь под память понимается целенаправленное хранение (факты о пользователе, резюме, хранилища на основе плагинов), а не видеопамять GPU или веса модели.
Он дополняет более широкий кластер AI Systems — OpenClaw, Hermes, оркестрация — и находится рядом с RAG для механики извлечения и LLM Hosting для запуска моделей.
Память является частью более широкого стека ассистентов, описанного в разделе Архитектура ИИ-ассистентов, наряду с маршрутизацией, инструментами и наблюдаемостью.
Проектирование памяти для ассистентов
Руководство, охватывающее разные фреймворки, для 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 использованию бэкенды, предоставляемые фреймворками, такими как Hermes Agent и OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne и другие — с различными компромиссами по LLM, эмбеддингам и базам данных.
- Сравнение провайдеров памяти для агентов — полная таблица, сравнение политик захвата, примечания о зависимостях и сценарии
memory setupдля Hermes
Для ограниченной основной памяти, предназначенной только для Hermes (MEMORY.md / USER.md), см. Система памяти Hermes Agent. Для установки Mnemosyne и обзора консервативной политики записи см. Mnemosyne для Hermes Agent: Быстрый старт с локальной памятью.
Управление памятью и режимы отказа
Автоматический захват, рефлексия и консолидация могут превратить собственную инференцию модели в постоянный «факт», который будет использоваться как доказательство в последующих сессиях.
- Петли самоусиления в памяти ИИ-агентов — семь форм, которые принимает эта обратная связь, почему происхождение данных важнее эмбеддингов и как проверить, отказывается ли провайдер запоминать
Графы знаний и Cognee
Институциональные и проектные знания, извлеченные в графы для ассистентов, учитывающих контекст при извлечении.
- Самохостинг Cognee — Выбор LLM на Ollama — практический быстрый старт с Cognee с использованием локальных моделей
- Выбор подходящей LLM для Cognee — Локальная настройка Ollama — сравнение моделей для качества графов относительно аппаратных мощностей
Сборщики графов, такие как Cognee, обычно импортируют Markdown-хранилища, вики или экспорты, которые люди уже отредактировали — значимость, именование и «почему это было важно» в основном уже определены до того, как фрагменты попадают в эмбеддинги. Неработоспособный корпус исходных данных возвращает неоднозначность обратно в ассистента; дисциплинированные рабочие процессы захвата через выражение ограничивают этот ущерб. Для такого ориентированного на человека взгляда, включая то, чем он отличается от RAG с приоритетом извлечения, см. Второй мозг, объясненный для инженеров.
