К содержимому
Дайджест

Память агентов: от трассы к долгосрочному контексту

AI Engineer·8 октября 2026·16:39
можно прочитать понять, как устроено промо
Открыть на YouTube
Доклад с конференции LangChain о том, как устроить память у агентов, чтобы они действительно улучшались от запуска к запуску, для разработчиков агентов.

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

Компоненты

2 шт.

Формат: разбор · для практикующих · уверенность разметки 0.9 · источник