Разработчики представили проект Recall Memory Substrate, который систематизирует подходы к управлению памятью в агентных системах. Основная дискуссия строится вокруг выбора между моделями «push» и «pull» при взаимодействии агента с внешними хранилищами данных. В первом случае агент активно записывает и структурирует информацию в базу данных в процессе работы, во втором — система извлекает необходимые контекстные данные по запросу, минимизируя избыточность.
Решение предлагает инфраструктурный слой для реализации долгосрочной памяти, позволяя агентам эффективнее оперировать накопленным опытом. В отличие от стандартных RAG-систем, ориентированных на поиск по статичным документам, данный подход сфокусирован на динамическом обновлении состояния и контекста. Это критически важно для сценариев, где агент должен сохранять последовательность действий и учитывать изменения в пользовательских предпочтениях в течение длительного времени.
Техническая реализация включает механизмы индексации и семантического поиска, которые позволяют агенту не просто хранить историю диалогов, но и извлекать релевантные факты из неструктурированных потоков данных. Использование подобных абстракций упрощает создание автономных систем, способных к самообучению и адаптации без необходимости постоянного переобучения базовых моделей.