Разработчики представили OctaMem — решение для управления памятью ИИ-агентов, которое отказывается от использования векторных баз данных. Вместо классического поиска по семантическому сходству система опирается на структурированное хранение данных, обеспечивая полную прозрачность и возможность аудита того, что именно «помнит» агент. Такой подход позволяет точно отслеживать источники информации, на основе которых принимаются решения, что критически важно для систем, где требуется строгая подотчетность.
Основная проблема традиционных RAG-систем заключается в сложности интерпретации результатов поиска и непредсказуемости извлечения контекста. OctaMem предлагает альтернативу, при которой данные организованы таким образом, чтобы агент мог обращаться к конкретным фактам и событиям без необходимости преобразования их в векторные представления. Это упрощает архитектуру приложения, снижает накладные расходы на поддержку инфраструктуры и исключает ошибки, связанные с неточным семантическим поиском.
Система ориентирована на создание долгосрочной памяти для автономных агентов, работающих в бизнес-среде. Возможность аудита позволяет разработчикам легко проверять логику работы агента, выявлять причины галлюцинаций и корректировать базу знаний без переобучения моделей. Инструмент направлен на повышение надежности агентных систем, делая их поведение более предсказуемым и управляемым в сложных рабочих процессах.