Память и RAG
Vedana: open-source фреймворк для RAG на базе графов знаний
Представлен инструмент Vedana — решение с открытым исходным кодом, предназначенное для реализации систем поиска с дополненной генерацией (RAG), опирающихся на графы знаний. В отличие от классических векторных баз данных, которые полагаются на семантическую близость текстовых эмбеддингов, данный подход позволяет извлекать информацию с учетом структурных связей между сущностями. Это повышает точность ответов в задачах, где важны логические взаимосвязи и контекстуальные цепочки фактов.
Многоагентный фреймворк для защиты конфиденциальности в RAG-системах
Исследователи представили многоагентный подход к защите данных в RAG-системах, предотвращающий утечки конфиденциальной информации через вредоносные промпты. Метод использует семантическое переписывание извлеченного контекста, позволяя сохранять точность ответов модели при строгом соблюдении приватности. Система разделяет задачи анализа, фильтрации и реконструкции данных между специализированными агентами, что минимизирует риски компрометации чувствительных документов в процессе генерации.
MEMPROBE: новый метод оценки долгосрочной памяти ИИ-агентов
Исследователи представили MEMPROBE — методологию для прямой оценки долгосрочной памяти ИИ-агентов. Вместо косвенного тестирования через качество ответов, подход фокусируется на восстановлении скрытых состояний пользователя. Это позволяет количественно измерить, насколько точно агент сохраняет и извлекает информацию о предпочтениях и истории взаимодействий, что критически важно для создания персонализированных и адаптивных систем в долгосрочной перспективе.
Влияние формата Open Knowledge Format на работу ИИ-памяти
Исследователи проанализировали эффективность использования Open Knowledge Format (OKF) в качестве структуры данных для организации долгосрочной памяти ИИ-агентов. В отличие от стандартных векторных баз данных, которые полагаются на семантический поиск, OKF позволяет хранить информацию в виде графа знаний, что упрощает извлечение контекста и связей между сущностями при выполнении сложных задач.
Разработка специализированного движка памяти для ИИ-агентов
Разработчики представили Parametric Memory — специализированный движок, предназначенный для управления долгосрочной памятью ИИ-агентов. В отличие от стандартных векторных баз данных, ориентированных на семантический поиск, этот инструмент фокусируется на параметрическом хранении контекста. Система позволяет агентам извлекать релевантную информацию из прошлых взаимодействий, сохраняя при этом структуру и иерархию данных, что критически важно для сложных многошаговых задач.
PMB: локальная система памяти для ИИ-агентов через протокол MCP
Разработчики представили PMB (Persistent Memory Bridge) — инструмент для организации локальной памяти, предназначенный для ИИ-агентов, работающих в среде разработки. Решение использует протокол MCP (Model Context Protocol) для интеграции с современными IDE, позволяя агентам сохранять и извлекать контекст проекта без передачи данных на внешние серверы.
Проблема «долга поиска» в агентных системах
Разработчики агентных систем столкнулись с концепцией «долга поиска» (retrieval debt), которая становится серьезным препятствием при масштабировании RAG-решений. По аналогии с техническим долгом в программировании, этот феномен возникает, когда качество извлечения контекста из базы знаний постепенно деградирует из-за накопления неструктурированных данных, устаревших документов или неоптимальных стратегий индексации. В результате агент начинает получать нерелевантную информацию, что ведет к галлюцинациям и снижению точности ответов, несмотря на использование современных LLM.
Уязвимости систем памяти ИИ-агентов к отравлению данными
Исследователи представили новый бенчмарк для оценки безопасности систем памяти, используемых в ИИ-агентах. Работа фокусируется на уязвимости «отравления фактами» (fact poisoning), при которой злоумышленник внедряет ложную или вредоносную информацию в базу знаний агента. В ходе экспериментов было доказано, что современные системы RAG (Retrieval-Augmented Generation) могут быть скомпрометированы через манипуляцию данными, которые агент извлекает из внешних источников для принятия решений.
OctaMem: система аудируемой памяти для ИИ-агентов без векторных БД
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.
GateMem: новый бенчмарк для управления памятью в мультиагентных системах
Исследователи представили GateMem — специализированный бенчмарк для оценки механизмов управления памятью в системах, где несколько агентов или пользователей совместно используют общее хранилище данных. Основная проблема, которую решает проект, заключается в обеспечении безопасности и конфиденциальности при доступе к «разделяемой памяти» (shared memory). В условиях, когда агенты работают с данными от разных владельцев, возникает риск утечки информации или несанкционированного доступа к контексту, который не предназначен для конкретного участника процесса.
MemoryOps: инфраструктура для управления памятью ИИ-ассистентов
Проект MemoryOps представляет собой инфраструктурное решение для организации управляемой памяти в ИИ-ассистентах. Система фокусируется на создании структурированного хранилища данных, которое позволяет агентам сохранять контекст взаимодействия, извлекать релевантную информацию из прошлых сессий и обеспечивать согласованность ответов при длительном общении с пользователем.
Phileas: локальное решение для долгосрочной памяти ИИ-агентов
Проект Phileas представляет собой инструмент для организации долгосрочной памяти в локальных ИИ-системах. Решение ориентировано на создание контекстного хранилища, которое позволяет моделям «вспоминать» детали прошлых диалогов и накопленные данные без необходимости отправки информации во внешние облачные сервисы. Это критически важный компонент для обеспечения приватности и повышения качества ответов при работе с персональными данными.
Recall: локальная система памяти для Claude Code
Инструмент Recall обеспечивает локальное хранение контекста для Claude Code, позволяя разработчикам сохранять и извлекать информацию о проекте без передачи данных на внешние серверы. Система индексирует файлы и историю работы, создавая векторную базу данных непосредственно на устройстве пользователя. Это позволяет агенту обращаться к специфическим деталям кодовой базы, которые выходят за рамки текущего окна контекста.
Классификация типов памяти для ИИ-агентов
Большие языковые модели по своей архитектуре являются stateless-системами, что ограничивает их способность поддерживать контекст в долгосрочных задачах. Для решения этой проблемы разработчики внедряют специализированные механизмы памяти, которые позволяют агентам сохранять информацию, извлекать прошлый опыт и планировать будущие действия.
Google представила спецификацию для создания структурированных баз знаний LLM
Google опубликовала спецификацию и набор инструментов для формирования «вики-систем» на базе больших языковых моделей. Проект под названием Knowledge Catalog ориентирован на создание стандартизированных хранилищ данных, которые позволяют ИИ-агентам обращаться к достоверной корпоративной информации. Система решает проблему галлюцинаций за счет строгой структуры данных, пригодной для RAG-архитектур (Retrieval-Augmented Generation).
Инструмент для организации долгосрочной памяти ИИ-агентов
Разработчики представили библиотеку Agent-historian, предназначенную для управления историей взаимодействия ИИ-агентов. Инструмент позволяет агентам сохранять контекст прошлых сессий, индексировать их и выполнять поиск по накопленным данным. Это решает проблему ограниченного «окна» контекста, с которой сталкиваются большинство современных языковых моделей при выполнении длительных задач.
FERNme: оптимизация памяти для ИИ-агентов с минимальным использованием LLM
Разработчики представили FERNme — инструмент для управления долгосрочной памятью ИИ-агентов, ориентированный на снижение затрат на вычисления. Основная задача проекта заключается в минимизации количества обращений к языковым моделям при обновлении контекста. Вместо того чтобы каждый раз задействовать LLM для переработки накопленных данных, система использует более легкие алгоритмические подходы для структурирования и хранения информации.
Letheo: когнитивная среда выполнения для управления памятью агентов
Проект Letheo представляет собой специализированную среду выполнения (runtime), написанную на языке Rust, предназначенную для управления памятью ИИ-агентов. Основная концепция системы заключается в имитации биологических процессов забывания, основанных на физических принципах. В отличие от стандартных векторных баз данных, которые хранят информацию статично, Letheo внедряет механизмы динамического затухания данных, позволяя агентам приоритизировать актуальный контекст и избавляться от устаревших или нерелевантных воспоминаний.
Инструмент для интеграции истории WhatsApp в агентные системы
Разработчики представили утилиту WhatsKept, предназначенную для извлечения и индексации истории переписки из резервных копий WhatsApp на iOS. Инструмент переводит данные из закрытого формата базы данных мессенджера в структурированный вид, пригодный для последующего поиска и анализа.
Развитие систем самообучающейся памяти для ИИ-агентов
Разработчики внедряют новые подходы к организации памяти, которые позволяют ИИ-агентам самостоятельно обновлять и структурировать накопленные данные. Вместо использования статических баз знаний, системы переходят к динамическому управлению контекстом, где агент в процессе работы анализирует важность полученной информации и отсеивает неактуальные сведения. Это позволяет значительно снизить объем потребляемых токенов при сохранении высокой точности ответов в долгосрочных диалогах.
Causal Graph Memory: новый подход к управлению контекстом в LLM
Разработан метод Causal Graph Memory, направленный на оптимизацию работы с длинным контекстом в больших языковых моделях. В отличие от стандартных подходов, где стоимость токенов растет пропорционально длине сессии, данная архитектура использует структуру причинно-следственного графа для хранения и извлечения информации. Это позволяет поддерживать фиксированную стоимость обработки токенов независимо от продолжительности диалога или объема накопленных данных.
Архитектура памяти Memory Model V3 с алгоритмом сжатия AEIL
Представлена третья версия архитектуры Memory Model, предназначенная для управления долгосрочной (LTM) и кратковременной (STM) памятью в ИИ-системах. Ключевым нововведением стал алгоритм сжатия AEIL (Adaptive Embedding Information Lossless), который позволяет оптимизировать хранение контекста без потери значимых данных. Система направлена на решение проблемы ограниченного контекстного окна LLM за счет структурированного извлечения и хранения информации.
Myco Brain: система контекстной памяти для ИИ-агентов на базе Postgres
Представлен инструмент Myco Brain, предназначенный для организации долговременной памяти ИИ-агентов с возможностью отслеживания источников данных. Решение базируется на использовании PostgreSQL в качестве основного хранилища, что позволяет разработчикам интегрировать систему в существующую инфраструктуру без внедрения специализированных векторных баз данных.
Perplexity представила систему самообучающейся памяти Brain для ИИ-агентов
Компания Perplexity запустила систему Brain, предназначенную для улучшения долгосрочной памяти своих компьютерных агентов. В отличие от стандартных решений, которые фокусируются на предпочтениях пользователя, новая технология отслеживает историю действий самого агента. Система фиксирует успешные стратегии, допущенные ошибки и внесенные исправления, формируя детализированный граф контекста для каждой задачи.