Память агентов как система: база данных вместо файлов

Что в ролике
Если агент на саппорт-тикетах в конце сессии выбрасывает найденную причину и выводы, а следующий агент повторяет ту же работу, проблема не в контекстном окне, а в отсутствии постоянной памяти. Контекст — это вход текущего запуска, а не опыт: увеличение окна лишь сжигает токены и теряет сигнал при компактизации, а markdown-файлы и grep не дают управляемого recall и не масштабируются. Доклад предлагает подходить к памяти как к системному слою с четырьмя процессами: формирование, recall, эволюция и оценка, где воспоминания — это дистиллированные структурированные факты, а не сырой транскрипт. Для recall автор показывает гибридный поиск, который объединяет векторное сходство, лексический поиск, сущности, обход графа и временные сигналы, затем сливает ветки, применяет пороги, переранжирует и возвращает контекстную карточку с оценками и происхождением. Память хранится в мультимодельной базе данных Oracle как типизированные объекты: эпизодическая, семантическая, процедурная и рабочая память, а в схеме помимо текста и JSON-тегов лежат эмбеддинг, полнотекстовый индекс, связи графа, временные факты и аудит. Перед записью обязательно идёт редкация PII, скоупинг прав по агенту, команде и пользователю, затем обогащение и эмбеддинг, а эпизоды-срезы транскрипта сохраняются отдельно для провенанса. Чтобы память не протухала, автор разбирает сбои: устаревшие факты после смены с NPM на другую сборку, конфликты «делай так / нет, так», отравление через prompt injection, утечки и тихий дрейф на объёме в 50 тысяч и более записей. В конце он даёт практический вход — Python SDK для agent memory с ноутбуком на GitHub и developer hub Oracle, где всё перечисленное живёт как примитивы базы данных.
Практика
- Что получишь
- Понять, почему контекстное окно и файлы-заметки не заменяют память, и увидеть готовую архитектуру слоя памяти с гибридным поиском, редкацией и обратной связью.
- Первый шаг
- Открыть GitHub-ноутбук из Python SDK Oracle для agent memory и прогнать пример формирования и recall воспоминаний.
- Цифры
- —50 000 записей и более — объём памяти, на котором, по словам автора, может начинаться тихий дрейф и странные результаты
- —топ-3 результата — столько возвращает гибридный поиск после слияния веток и переранжирования
- —1000 записей — объём, при котором система памяти ещё может работать отлично, до появления дрейфа
- Честно
- Это доклад вендора: автор — developer advocate Oracle и продвигает Oracle AI database, Python SDK и developer hub. Конкретные SQL-запросы, схемы и код демонстрируются на слайдах, поэтому для повторения придётся смотреть видео или идти в ноутбук; сам пересказ даёт архитектуру, но не построчный код.
Если слова незнакомы — 8 терминов
- контекстное окнообъём входа, который модель видит за один запуск
- recallизвлечение нужных воспоминаний под текущую задачу
- гибридный поискпоиск, объединяющий векторное сходство, ключевые слова, графы и временные сигналы
- эмбеддингвекторное представление текста для поиска по смыслу
- PIIличные данные, которые нужно удалить перед записью
- мультимодельная база данныхСУБД, умеющая строки, векторы, полнотекстовый поиск и графы в одном месте
- prompt injectionатака, когда вредоносная инструкция попадает в память агента
- провенансоткуда взялось воспоминание и как оно использовалось
Компоненты
5 шт.Формат: разбор · для практикующих · уверенность разметки 0.9 · источник