К содержимому
Дайджест

Общая память агентов: почему обучение не решено

AI Engineer·5 октября 2026·20:36
текст даёт основное что произошло промо пошагово
Открыть на YouTube
Запись выступления основателя YugabyteDB о том, как устроена общая память агентов и почему для неё недостаточно RAG и больших контекстов.

Что в ролике

Если несколько агентов работают над одной задачей, передать друг другу нужно не файл с результатом, а контекст и рассуждения — именно это теряется при обычной интеграции. Картик Ранганатан, сооснователь YugabyteDB, рассказывает, как его компания почти год пыталась запустить четыре собственных агента — Hagen для поддержки, Growth Vector для маркетинга, Perf Advisor для администрирования баз и Voyager для миграций — и упиралась в проблему данных. Память одного агента работает, но обучение группы требует отдельной инфраструктуры, и простые решения вроде «закинуть всё в RAG» или «дать больше контекста» не помогают. Их первый распределённый RAG-пайплайн дал лишь 14% faithfulness на MD-бенчмарке, 20% на PDF и 57% context precision. После трассировки и настройки по одной переменной показатели выросли до 65, 74 и 82, а объём контекста сократился с более чем 7000 чанков до примерно 1000. Из этих ошибок они собрали Mako — слой хранения, который отдаёт агентам «data pack» и позволяет переносить часть приватного контекста в общее пространство с гранулярными правами. В демо Хизер создаёт data pack, делится инцидентом про сбой почты, а затем тот же факт находит Codex после promotion, при этом токены экономятся за счёт обращения к MCP-инструменту вместо повторного вывода.

Практика

Что получишь
Понимание разницы между памятью одного агента и обучением группы, а также конкретный пример, как общий контекст сокращает расход токенов при передаче задач между агентами.
Первый шаг
Завести бесплатный аккаунт Mako, подключить MCP-сервер к своему агенту и попробовать сохранить первый факт в data pack.
Цифры
  • —14% — faithfulness первой версии RAG-пайплайна на MD-бенчмарке
  • —20% — faithfulness на PDF в том же эксперименте
  • —57% context precision до настройки, после — 82%
  • —с 7000 до 1000 чанков — настолько сократился объём контекста после улучшений
Честно
Автор — сооснователь YugabyteDB, он продвигает собственный продукт Mako и приглашает на сайт с бесплатным тарифом и в Discord. Демо записано заранее и ускорено, поэтому точные команды MCP, настройки и интерфейс Claude/Codex видны только на экране. Показатели улучшения приведены из внутренних экспериментов компании без внешней проверки.
Если слова незнакомы — 6 терминов

Связки из этого ролика

2 шт.

Компоненты

6 шт.

Формат: анонс продукта · для практикующих · уверенность разметки 0.85 · источник