Агентная память меняет ландшафт разработки ИИ

При поддержке MongoDB

Мы разрабатываем базы данных как индустрия уже примерно 60 лет. Мы создаем ИИ-агенты в том смысле, который вкладывает в это слово большинство людей сегодня, около 18 месяцев.

Вдумайтесь в это соотношение, потому что оно объясняет практически всё текущее состояние разработки агентов. Шесть десятилетий против полутора лет. Мы находимся не на середине этой кривой обучения. Мы стоим у самого ее подножия и смотрим снизу вверх.

Для агентов пока не существует стека LAMP. Нет устоявшегося, скучного, стандартного набора решений, который позволил бы команде перестать спорить об архитектуре и просто запустить проект.

Один из первых уроков пришел из кратковременного увлечения индустрии максимизацией токенов (token-maxxing). Какое-то время в начале 2026 года потребление токенов стало тщеславной метрикой. Ответная реакция последовала быстро. Объем токенов измеряет активность, а не результаты.

Но самое интересное в истории с максимизацией токенов никогда не было связано с корпоративным театром. Этим был архитектурный урок, скрывающийся за ней.

Контекстное окно — дефицитный ресурс

Ниже приводится обобщение того, что я узнал из более чем 100 бесед с клиентами в 15 городах шести стран в первой половине 2026 года. Я вижу, что организации начинают приходить к одному и тому же выводу: контекстное окно — это дефицитный ресурс. Задача заключается не в том, чтобы запихнуть как можно больше информации в каждый промпт. Задача в том, чтобы решить, что именно там должно находиться.

У этого вопроса есть ответ. И этот ответ — память.

Не в том расплывчатом смысле, в котором люди используют это слово, подразумевая «контекстное окно», а в виде реальной, постоянной, доступной для запросов системы памяти, которая находится вне модели и целенаправленно подпитывает ее.

Ответ — память, и она выходит за рамки краткосрочной и долгосрочной

Хорошая агентская память выполняет три функции, с которыми одно лишь контекстное окно справиться не может:

• Она сохраняет то, что генеративная модель произвела на предыдущих циклах и сеансах, благодаря чему дорогостоящие рассуждения, за которые вы уже заплатили, не испаряются в момент окончания сеанса.

• Она применяет контроль доступа на основе ролей к этому сохраненному контенту, поэтому память, созданная одной командой, может быть разделена внутри предприятия без утечки данных, которые не должны быть общедоступными.

• Она позволяет новым запросам извлекать нужный предыдущий контент, что на практике означает поддержку семантического поиска, а не точного совпадения по ключу, поскольку агенты запрашивают информацию по смыслу, а не по ключу.

Этот последний пункт возвращает нас к наблюдению о 60 годах существования баз данных. Мы потратили шесть лет на то, чтобы научиться чрезвычайно эффективно сохранять и извлекать структурированные данные по точным критериям. Агентской памяти требуется нечто иное и более новое: способность сохранять неструктурированные результаты генеративного процесса и находить их снова по принципу сходства.

Команды, которые справляются с этим успешно, — это те, чья платформа данных способна нативно осуществлять семантический поиск, применять к нему контроль доступа и хранить сгенерированный контент в одном месте, а не сшивать три системы воедино в надежде на лучшее.

Паттерн, возникающий на предприятиях

Как только у вас появляется такая память, из нее вытекает поистине интересная архитектура, и я вижу, что все больше предприятий приходят именно к ней.

Вы объединяете мощную систему памяти с более компактной моделью (часто с открытыми весами), задача которой не в том, чтобы быть гениальной, а в том, чтобы быть хорошим судьей. Поступает новый запрос. Агент выполняет семантический поиск по памяти, переранжирует результаты для получения лучшего кандидата и задает более компактной модели один вопрос: достаточно ли это хорошо для возврата в исходном виде или нет?

Если этого достаточно, вы возвращаете результат. Вы вообще не платите за дорогую генеративную модель. Вы ответили из памяти.

Если этого недостаточно, вы передаете задачу более дорогой генеративной модели, получаете оригинальное решение, возвращаете его, а затем сохраняете обратно в ту же систему памяти, чтобы следующему сеансу тоже не пришлось за него платить.

Подумайте о том, как это влияет на экономику агентов с течением времени. Каждый оригинальный ответ, созданный дорогой моделью, становится дешевым ответом в следующий раз, когда кому-то понадобится нечто подобное. Система становится дешевле и быстрее по мере использования, что противоположно принципу масштабирования наивной максимизации токенов, где стоимость растет линейно с ростом использования бесконечно. В этом разница между агентом, который учится на том, что он уже знает, и агентом, который заново изобретает вселенную на каждом цикле.

Память имеет типы, а люди курируют лучшие из них

Последний элемент, который, как мне кажется, отделяет то, к чему мы идем, от того, где мы находимся сейчас, заключается в том, что зрелая агентская память не будет плоским хранилищем краткосрочной и долгосрочной информации. У нее будут типы, как у человеческой памяти.

Таксономическая память хранит терминологию, контролируемый словарь и определения, на которых работает организация, благодаря чему агент использует термин «возврат платежа» (chargeback) в том же значении, которое вкладывает в него ваша финансовая команда, а не в том, которое придает ему интернет в целом.

Процедурная память хранит списки задач и последовательности — знания в духе «как мы это делаем здесь», которые превращают способную модель в полезного коллегу. Таких типов будет больше, и поиск правильной таксономии типов памяти сам по себе является частью кривой обучения, которую мы преодолеваем.

И вот что покажется знакомым любому, кто запускал реальную производственную систему: лучшие воспоминания часто оказываются там потому, что их поместил туда человек. Не каждое воспоминание, генерируемое агентом, стоит сохранять, и не каждое сохраненное воспоминание стоит выводить на первый план.

Я все чаще ожидаю, что люди будут курировать эти системы, внедряя обратно ценные воспоминания для частого повторного использования, удаляя шум и продвигая ту последовательность процедур, которая работает, в противовес трем другим, которые работают лишь отчасти. Мы делали это для баз знаний. Мы делали это для документации. Мы сделаем это для агентской памяти, потому что курирование — это то, как информационный массив перестает быть свалкой и становится активом.

Что дальше?

Прошло около 18 месяцев с момента появления агентов и 60 лет с момента появления баз данных. Разрыв между этими двумя цифрами — не повод для смущения. Это просто правда о том, насколько мы находимся в самом начале пути, и это должно научить нас скромности в отношении каждого «лучшего подхода», которому едва исполнился один сезон.

Максимизация токенов была первой большой идеей, которая поднялась и упала в этой новой области, и ее падение преподало нам самый необходимый урок: контекстное окно дефицитно, поэтому дисциплина заключается в выборе того, что в него поместить. Эта дисциплина и есть агентская память. Поддерживаемая семантическим поиском, с контролем доступа, типизированная, курируемая человеком память, которая сохраняет то, что стоило дорого в производстве, и выдает это дешево навсегда.

Для агентов по-прежнему нет стека LAMP. Но если бы мне пришлось ставить на то, какой слой первым станет скучным, стандартным, устоявшимся выбором — тем, о котором мы перестанем спорить, чтобы вернуться к созиданию, — я бы поставил на память. Это следующий шаг в развитии агентов. Все остальное по-прежнему остается ручным подключением CGI-BIN.

Пит Джонсон (Pete Johnson) — технический директор по работе с клиентами в области ИИ в MongoDB.

Спонсорские статьи — это контент, подготовленный компанией, которая либо платит за публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко промаркированы. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.