Память и RAG
DynaKRAG: новый фреймворк для адаптивного многошагового RAG
Исследователи представили DynaKRAG — унифицированный фреймворк для многошагового RAG, который динамически управляет процессом поиска доказательств. В отличие от жестких алгоритмов, система обучается контролировать этапы извлечения данных, переформулирования запросов и оценки достаточности информации. Это позволяет модели гибко реагировать на сложные вопросы, требующие последовательного сбора фактов и устранения пробелов в знаниях для формирования точных ответов.
Rememori: легковесная библиотека для управления памятью ИИ-агентов
Rememori — это новая библиотека с нулевыми зависимостями, предназначенная для организации памяти ИИ-агентов в любых JavaScript-средах. Инструмент позволяет агентам сохранять контекст диалогов и извлекать релевантную информацию, обеспечивая работу как в браузерах, так и на серверных платформах Node.js, Deno или Bun, что упрощает создание автономных систем с долгосрочной памятью.
Emem.dev: система долговременной памяти для физических ИИ-агентов
Emem.dev представляет собой инфраструктурное решение для организации «физической памяти» ИИ-агентов, позволяющее сохранять и структурировать данные о взаимодействии с реальным миром. Система использует криптографически подписанные записи, обеспечивая целостность и верифицируемость контекста, что критически важно для автономных агентов, работающих в динамических средах и требующих надежного доступа к истории прошлых действий.
Паттерн Attribute Knowledge RAG для управления ИИ-агентами
Разработчики представили архитектурный паттерн Attribute Knowledge RAG, который решает проблему контроля доступа и контекстной фильтрации в агентных системах. В отличие от стандартного RAG, этот подход привязывает метаданные атрибутов непосредственно к фрагментам знаний, позволяя динамически ограничивать доступ к информации на основе прав пользователя или контекста выполнения задачи в режиме реального времени.
Оптимизация RAG: как отсеивать 68% лишнего контекста с помощью компактной LLM
Команда Kapa.ai разработала метод фильтрации контекста для RAG-систем, позволяющий отсеивать до 68% нерелевантных данных перед подачей в основную модель. Использование компактной LLM для предварительной оценки фрагментов позволяет снизить затраты на токены и повысить точность ответов, исключая «шум» из поисковой выдачи векторных баз данных без потери качества генерации.
RagPack: легковесная инфраструктура для self-hosted RAG
RagPack — это компактное решение с открытым исходным кодом, предназначенное для быстрого развертывания RAG-систем (Retrieval-Augmented Generation) на собственных серверах. Инструмент ориентирован на стартапы, которым требуется локальная инфраструктура для работы с документами и векторным поиском без необходимости использования сложных облачных платформ или тяжеловесных корпоративных стеков, обеспечивая при этом полный контроль над данными.
Graph-guard: графовый подход к многошаговому поиску в RAG-системах
Graph-guard представляет собой инструмент для построения графов знаний, предназначенный для улучшения качества поиска в RAG-системах. Решение фокусируется на решении проблемы многошаговых запросов (multi-hop retrieval), где модели необходимо связывать разрозненные факты из разных документов. Инструмент автоматизирует извлечение сущностей и связей, создавая структурированную базу данных для более точного контекстного поиска при генерации ответов.
Pyforge-memory: трехуровневая система памяти для ИИ-агентов
Pyforge-memory представляет собой библиотеку для управления контекстом ИИ-агентов, использующую трехуровневую архитектуру памяти. Система разделяет данные на кратковременную, рабочую и долговременную память, что позволяет агентам эффективнее удерживать контекст диалога и извлекать релевантную информацию из больших массивов данных, минимизируя при этом затраты на токены и повышая точность ответов в сложных сценариях взаимодействия.
Инструмент для постоянной памяти агентов в кодовых репозиториях
Разработчики представили решение для оптимизации работы ИИ-агентов с кодовой базой, внедряющее механизм «всегда свежей» памяти. Инструмент позволяет агентам сохранять контекст изменений в репозитории, исключая необходимость постоянного перечитывания всех файлов при каждом запросе. Это существенно снижает затраты на токены и ускоряет выполнение задач по анализу и модификации кода в агентных средах.
Whyline: движок корпоративной памяти на базе SQLite и MCP
Whyline представляет собой легковесный движок для организации корпоративной памяти, объединяющий возможности SQLite и алгоритма поиска BM25. Инструмент ориентирован на создание структурированных баз знаний, доступных для ИИ-агентов через протокол MCP. Решение позволяет интегрировать локальные данные непосредственно в среду разработки Cursor, обеспечивая контекстно-зависимый поиск и извлечение информации без необходимости развертывания сложных векторных хранилищ.
Engram: локальное решение для персистентной памяти ИИ-агентов
Engram — это библиотека для организации долговременной памяти ИИ-агентов, работающая непосредственно внутри процесса приложения без необходимости обращения к облачным сервисам. Инструмент позволяет агентам сохранять контекст и извлекать релевантную информацию, обеспечивая автономность и высокую скорость работы за счет локального хранения данных, что критично для создания приватных и масштабируемых агентных систем.
Engram: движок для обучения с доказательной базой для Claude Code
Engram — это специализированный движок для Claude Code, который внедряет методологию обучения на основе доказательств в процесс разработки. Система использует принципы активного припоминания, алгоритмы интервальных повторений FSRS и создание проверяемых артефактов. Инструмент позволяет агентам не просто генерировать код, а выстраивать структурированную базу знаний, обеспечивая долгосрочное удержание информации и точность воспроизведения данных.
LlamaIndex представила reference-приложение legal-kb для агентного поиска по документам
LlamaIndex выпустила reference-приложение legal-kb, демонстрирующее новый подход к агентному взаимодействию с базами знаний через Index v2. Система предоставляет агентам файловый доступ к документам, используя набор инструментов для семантического поиска, чтения и фильтрации контента. Решение включает автоматическое версионирование файлов и визуальное цитирование источников, что повышает прозрачность работы ИИ-агентов в сложных правовых и корпоративных сценариях.
Two-tier-memory: двухуровневая система долговременной памяти для ИИ-агентов
Разработчики представили Two-tier-memory — библиотеку для создания запрашиваемой долговременной памяти в ИИ-агентах, специализирующихся на написании кода. Система использует гибридный подход, сочетающий быстрое семантическое извлечение контекста с точным поиском по ключевым словам. Это позволяет агентам эффективно управлять большими кодовыми базами, сохраняя релевантную информацию о структуре проекта и истории изменений без перегрузки контекстного окна модели.
Основы организации памяти в ИИ-системах
Понимание механизмов памяти является критическим фактором для создания эффективных ИИ-агентов, способных сохранять контекст взаимодействия. В статье разбираются фундаментальные подходы к хранению данных: от краткосрочного контекстного окна до долгосрочного хранения в векторных базах данных. Автор анализирует, как именно системы извлекают релевантную информацию для обеспечения последовательности и персонализации ответов в сложных агентных сценариях.
Open Kioku: локальный слой памяти для ИИ-агентов в разработке
Open Kioku — это open-source решение для создания локального слоя «доказательной базы» (evidence layer), предназначенное для улучшения контекста ИИ-агентов при написании кода. Инструмент позволяет агентам индексировать и извлекать релевантные фрагменты из кодовой базы, обеспечивая более точные ответы и снижая вероятность галлюцинаций за счет привязки генерации к конкретным файлам и структурам проекта.
Контекстные графы: новый подход к долгосрочной памяти ИИ-агентов
Контекстные графы представляют собой метод структурирования памяти ИИ-агентов, который связывает факты с логикой принятия решений. В отличие от стандартного RAG, где данные извлекаются по семантической близости, графы позволяют агентам восстанавливать цепочки рассуждений и причинно-следственные связи. Это значительно повышает точность ответов в сложных задачах, требующих учета истории действий и контекста прошлых итераций.
HiMe: иерархическая память для долгосрочного планирования в робототехнике
Исследователи представили архитектуру HiMe (Hierarchical Embodied Memory), решающую проблему «парадокса частоты и компетенции» в VLA-моделях для робототехники. Система разделяет задачи на высокоуровневое рассуждение и низкоуровневое управление, позволяя роботам выполнять сложные многоэтапные действия, требующие длительной памяти, без потери скорости реакции, характерной для тяжелых моделей при работе в реальном времени.
TRIAGE: методология оценки качества графовых RAG-систем
Исследователи представили TRIAGE — фреймворк для комплексной оценки графовых RAG-систем, создаваемых с помощью LLM. Инструмент позволяет локализовать ошибки на этапах извлечения данных, построения графа знаний и финального инференса. Это решает проблему «черного ящика», когда сбой на раннем этапе формирования графа обнаруживается только при получении неверного ответа от модели.
MothRAG: фреймворк для многошагового RAG без графовых баз данных
MothRAG — это новый подход к реализации многошагового (multi-hop) поиска в RAG-системах, который позволяет извлекать сложные логические связи из данных без необходимости построения и поддержки графовых структур. Решение ориентировано на снижение затрат и упрощение архитектуры, исключая дорогостоящие этапы переиндексации, характерные для классических графовых RAG-решений.
Семь уровней зрелости RAG-систем
Исследователь Мартим Чавес представил концептуальную модель «семи уровней RAG», описывающую эволюцию систем поиска с дополненной генерацией. Классификация охватывает путь от базового наивного RAG до сложных агентных архитектур, использующих продвинутые методы индексации, реранкинга и адаптивного управления контекстом, что позволяет разработчикам оценивать эффективность своих решений и планировать их масштабирование.
Создание мультимодального RAG-пайплайна для работы с текстом, таблицами и изображениями
Опубликован практический туториал по созданию мультимодальной системы RAG-Anything, позволяющей индексировать и извлекать данные из разнородных источников: текстовых документов, таблиц, математических формул и изображений. Руководство демонстрирует процесс подготовки среды в Google Colab, конвертацию контента в унифицированный формат и настройку интеграции с моделями OpenAI для интеллектуального поиска по сложным структурам данных.
Практический опыт внедрения систем долгосрочной памяти в ИИ-агентов
Разработчики активно обсуждают реальный опыт интеграции плагинов для управления долгосрочной памятью в ИИ-агентов. Основной фокус дискуссии сместился с простых векторных баз данных на создание контекстных слоев, которые позволяют агентам сохранять историю взаимодействий, предпочтения пользователей и структурированные знания между сессиями, значительно повышая качество ответов в сложных рабочих процессах.
Knotic: многоуровневая система памяти для ИИ-агентов в разработке
Knotic представляет собой архитектурное решение для организации памяти ИИ-агентов, ориентированное на задачи программирования. Система использует многоуровневый подход, разделяя контекст на сессионный, проектный и документационный слои. Это позволяет агентам эффективно извлекать релевантную информацию из кодовой базы и технической документации, минимизируя галлюцинации и повышая точность генерации кода в длительных рабочих сессиях.