AI-агенту, к которому пользователь вернулся на следующий день, действительно нужен контекст для продолжения работы. Но память AI-агентов — это не только задача «сохранить побольше переписки»: куда опаснее не определить, что именно агент вправе помнить, как долго и в каких границах использовать.
Об этой проблеме сообщает The New Stack. Повод выглядит бытовым: пользователь начал задачу, закрыл приложение, а позже вернулся за продолжением. Однако за таким сценарием скрывается архитектурный выбор между кратким контекстом текущего диалога, состоянием конкретного процесса и долговременными данными о пользователе или компании. Если смешать эти слои, агент может не просто забыть важное — он начнёт уверенно применять неактуальные, чужие или нерелевантные сведения.
Вокруг AI-агентов слово «память» часто используют как удобный зонтик. Под ним оказываются история чата, записи в векторной базе, результаты прошлых вызовов инструментов, статус бизнес-процесса, настройки пользователя и журналы действий. Для разработчика это разные сущности с разным сроком жизни, правилами доступа и стоимостью ошибки. История беседы полезна, пока длится разговор. Статус workflow нужен, чтобы корректно возобновить незавершённую операцию. Профиль пользователя может пригодиться месяцами, но именно он требует самых строгих правил хранения и обновления.
Отсюда и главный риск: команда замечает, что агент теряет нить разговора, и добавляет ему больше данных. Иногда это помогает ровно до следующей ошибки. Модель получает слишком широкий контекст, цепляется за случайную старую деталь, переносит её в новую задачу или раскрывает информацию там, где она больше не должна быть доступна. «Длинная память» без ограничений превращается в склад заметок без владельца, срока годности и контроля доступа — знакомая картина для любой корпоративной системы, только с генеративным интерфейсом.
Практический вывод для команд, внедряющих агентные сценарии, довольно приземлённый: сначала нужно назвать состояние, а потом выбирать хранилище. Состояние заказа, заявки или запуска пайплайна должно быть привязано к конкретному workflow и иметь явные правила возобновления. Предпочтения пользователя стоит отделять от временных фактов из чата. Источники, найденные агентом во время исследования, полезно сохранять вместе с происхождением и датой, иначе через неделю система не отличит подтверждённый факт от устаревшей подсказки.
Память AI-агентов также нельзя проектировать без политики удаления. У данных должен быть владелец: пользователь, команда, сервис или отдельный процесс. Нужны срок хранения, способ исправления и возможность понять, почему агент использовал конкретную запись. Для компаний с персональными данными и коммерческой тайной это не факультативная документация, а часть безопасности. Чем автономнее агент работает с CRM, тикетами, кодом и внутренними базами знаний, тем меньше права на ошибку у неявной «памяти по умолчанию».
Для российского рынка это особенно актуально в проектах, где LLM подключают к внутренним системам: службе поддержки, кадровым данным, документообороту, продажам и разработке. Первая демонстрация обычно оценивается по качеству ответа в одном окне чата. В production важнее другой набор вопросов: какие данные попадут в следующий сеанс, может ли пользователь их удалить, не перепутает ли агент два кейса и что произойдёт при повторном запуске процесса после сбоя. Эти вопросы звучат менее эффектно, зато именно они определяют, можно ли доверять системе рабочие операции.
Вероятно, следующий этап развития агентных платформ будет связан не с обещаниями «бесконечной памяти», а с более точными границами: памятью задачи, памятью пользователя, памятью организации и журналом исполнения. Победит не тот агент, который хранит всё подряд, а тот, который в нужный момент знает достаточно — и не помнит лишнего.

