Память агентов: от трассы к долгосрочному контексту

Что в ролике
Если вы строите агента, который должен улучшаться от запуска к запуску, ключ — отделять память от простого журнала: трасса фиксирует, что произошло, а память — это долговременный контекст, на который агент опирается в следующих запусках. Джейк Брукхёйзен из LangChain разбирает это на примере финансового ассистента, у которого тон общения иногда сбивался с совещательного на директивный. Он делит память на три типа: семантическую (факты и предпочтения), эпизодическую (опыт и примеры) и процедурную (инструкции и правила), и подчёркивает, что именно правка процедурной памяти даёт больше всего улучшений. Рабочий цикл выглядит так: агент читает нужный контекст из долговременной памяти, выполняет задачу и оставляет трассу, затем вы фильтруете трассу, выделяя полезный сигнал, и записываете его обратно в память. В реализации LangChain для этого используют LangSmith: трассы собираются через observability, фоновый анализ извлекает сигнал, а обновлённые инструкции кладутся в хранилище Context Hub, откуда агент подтягивает их при следующем запуске. Автор предупреждает, что не вся трасса должна становиться памятью — большая часть остаётся историей, а изменения процедурной памяти, которая определяет примерно 75% поведения, стоит пропускать через ручную проверку. В конце он упоминает QR-код с видео, где показывает готовую реализацию такого агента.
Практика
- Что получишь
- Понятную модель памяти (семантическая/эпизодическая/процедурная, рабочая/долговременная) и цикл «захват — анализ — обновление», который можно применить к своему агенту. Также критерий, что менять автоматически, а что проверять человеком.
- Первый шаг
- Начать с разделения трасс вашего агента на историю и кандидатов в долговременный контекст, выбрав один узкий сбой (например, тон ответа) и вручную сформулировав правило для его процедурной памяти.
- Цифры
- —75% — столько поведения агента, по оценке автора, определяет процедурная память (инструкции и правила), поэтому её обновления стоит проверять человеку
- —3 типа памяти — семантическая, эпизодическая и процедурная, на которые автор делит контекст агента
- —6 элементов на слайде автора: факты, предпочтения, паттерны, примеры, навыки, инструкции — они группируются в эти три типа
- Честно
- Автор — сотрудник LangChain, поэтому половина доклада показывает реализацию именно на их продуктах LangSmith и Context Hub; это не нейтральный обзор. Подробного кода в выступлении нет — автор предлагает посмотреть видео по QR-коду или подойти к стенду Eugene 19, а конкретные шаги анализа и фильтрации сигнала показаны только на экране. Если вы не пользуетесь LangChain, идеи применимы, но готового рецепта без их инструментов вы не получите.
Если слова незнакомы — 5 терминов
- агентпрограмма, которая сама выполняет задачу, вызывая инструменты и принимая решения
- трассазапись всех шагов агента за один запуск: вызовы инструментов, промежуточные рассуждения, контекст
- процедурная памятьчасть памяти с инструкциями и правилами, которые определяют, как агенту себя вести
- LangSmithплатформа LangChain для наблюдения за агентами и анализа их трасс
- Context Hubхранилище долговременного контекста агента, откуда он подгружает инструкции и навыки
Компоненты
2 шт.Формат: разбор · для практикующих · уверенность разметки 0.9 · источник