Памет на ИИ агентите: как да създавате ИИ агенти с постоянен контекст

Ако шест месеца всяка сутрин трябваше да водите нов колега до принтера, щяхте да започнете да се притеснявате. Ако той можеше да възпроизведе всяко предишно отиване до най-малкия детайл, но пак имаше нужда от придружител, паметта му щеше да е отлична… но вие пак щяхте да ставате от бюрото си.

Паметта на AI агентите в момента има своя версия на това безкрайно ходене до принтера. Изпълнителният директор на Letta Чарлз Пакър казва в The New Stack, че бенчмарковете за памет са наситени, защото измерват припомнянето, което той смята за решен проблем. Нерешеният проблем е агентът да се подобрява в работата си чрез контекста, който пази, без никакво повторно обучение.

Съоснователката му Сара Удърс го сравнява със започването на нова работа – бенчмарковете дават на агента целия необходим контекст – задача след несвързана задача, което изобщо не прилича на начина, по който работят хората. На новия служител може да се наложи да покажете пътя до принтера. Но след три години бихте се надявали да му дадете кратко указание от един ред, без да ставате от бюрото си.

Това е стандартът, към който трябва да се стремим, и целта зад Brain – нашата самоусъвършенстваща се система за памет за Perplexity Computer, която организира миналата работа и корекциите в развиващо се уики със знания.

Ще разгледаме какво трябва да помни един агент и как да проверим дали това му помага да работи по-добре.

Какво е паметта на AI агентите?

Паметта на AI агента е информацията, която агентът запазва от предишни взаимодействия и работа, заедно с механизмите за нейното актуализиране и използване. Контекстът на постоянната памет пренася тази информация между сесиите, така че затварянето на разговор не означава, че следващата задача започва от нулата.

Повечето от това, което се предлага под това име, помни потребителя. Вашите предпочитания, контакти, роля, фактът, че искате PDF файлове, а не PNG. Това е лесната половина.

Когато създадохме Brain, системата за памет зад Perplexity Computer, се фокусирахме върху самата работа. Кой подход е успял? Кой източник е изгубил двадесет минути? Какво е трябвало да коригирате, след като агентът е обявил, че е готов? Тази история дава по-добра отправна точка за следващата задача.

Brain съхранява тази информация като файлове в Sandbox средата на агента, организирани в три слоя:

• sessions/ съдържа необработените транскрипти и техните обобщения.
• notes/ съдържа обобщена информация, организирана по теми.
• knowledge/ съдържа самото уики – свързани Markdown страници за хора, проекти и концепции.

Нищо от това не се подобрява само по себе си. През нощта фонови агенти, които наричаме „Dream“, прочитат сесиите от деня, обобщават ги и преработват уикито навсякъде, където картината се е променила. Подготвяме и проверяваме тези редакции, преди да ги запишем чрез Git, така че да има diff за преглед, когато нещо изглежда нередно.

Прави ли това агента по-добър в работата му? В нашата 30-дневна сдвоена оценка сесиите с включен Brain подобриха коректността с 9,3 процентни пункта, а припомнянето – с 8,9, като същевременно използваха около 15% по-малко токени.

Уголеми

Източник: X

Какви са видовете агентна памет?

Има два основни вида и разделението много прилича на това, което бихте използвали за човек: това, което държите в главата си в момента, и това, което ще знаете и следващия месец.

Краткосрочна памет

Краткосрочната памет съдържа контекста на текущия разговор или задача. Вашата заявка, последните съобщения, резултатът от извикване на инструмент, документът, който агентът току-що е отворил. Достатъчно информация, за да се прецени какво да се направи след това.

Ще срещнете и наименованието работна памет. При LLM контекстният прозорец съдържа информацията, достъпна по време на конкретно извикване на модела. Приложението може да поддържа допълнително състояние на задачата и да решава кои части да предостави на всяка стъпка.

А краткосрочна не означава непременно еднократна. Една рамка може да запази състоянието на разговора и да го възобнови утре – то все още принадлежи на тази тема. Но дали друга задача може да използва информацията, е отделно дизайнерско решение.

Дългосрочна памет

Дългосрочната памет прави информацията достъпна между сесиите. Статията за CoALA заимства три категории от когнитивната наука, като дава на създателите на агенти речник за опит и ноу-хау:

• Епизодичната памет е това, което се е случило: Тук влизат минали сесии, стъпките, които агентът е предприел, и резултатът, който е получил. В Brain sessions/ осигурява тази история чрез необработени транскрипти и техните обобщения.
• Семантичната памет е това, което агентът приема за вярно: Това могат да бъдат факти за потребителя, неговите проекти и неговия свят, извлечени от разговорите. Уикито knowledge/ на Brain съдържа този вид информация с връзки обратно към доказателствата.
• Процедурната памет е как се правят нещата: Това са промптове, работни процеси за многократна употреба, уменията, които Perplexity създава, за да даде на агентите инструкциите и инструментите, необходими за дадена работа. Може би вече имате част от това, без да го наричате памет.

Интересната работа се случва между слоевете. Сесията записва, че сте отхвърлили PNG файл. Инструкцията ви да използвате PDF се превръща в предпочитание, което агентът може да пренася напред. Корекцията в процеса на експортиране се превръща в нещо, което той може да следва следващия път.

Това преобразуване – от „това се случи“ през „това е вярно“ до „така го правим“ – е част от проблема с ученето, с който започнахме, и именно върху него нощните изпълнения на агента Dream в Brain съсредоточават усилията си.

Да кажем, че някой затопля риба в микровълновата в обща кухня. Има оплаквания, отваря се прозорец. В крайна сметка се появява табела: БЕЗ РИБА.

Шест месеца по-късно нарушителят се е изнесъл, но табелата е още там. Това е постоянство. Можете да обясните видовете памет чрез това, което оцелява:

• Работната памет е това, което следите, докато приготвяте обяда, например че супата трябва да се разбърка.
• Епизодичната памет е инцидентът с рибата – миризмата, която последва всички в коридора.
• Семантичната памет е знанието, което сте извлекли от него – затоплянето на риба може да остави трайна миризма в обща кухня.
• Процедурната памет е инструкцията, която определя какво се случва след това. Не затопляйте риба в микровълновата тук. Табелата позволява на човек, пропуснал целия инцидент, да спазва правилото.

Има и още едно разграничение, защото то променя това, което изграждаме. Обзорът Memory in the Age of AI Agents, публикуван за първи път през декември 2025 г., посочва, че делението на краткосрочна и дългосрочна памет не е достатъчно – той класифицира паметта и по форма:

• На ниво токени: Това е изричното съдържание, което агентът чете. Файлове, съхранени записи, извлечени фрагменти.
• Параметрична: Това е информация, кодирана в научените тегла. Актуализирането ѝ изисква обучение или методи за редактиране на модела.
• Латентна: Това е информация, запазена във вътрешните представяния, без да е изписана като четим текст.

Тук се фокусираме върху паметта на ниво токени, тоест информация, съхранявана извън модела и зареждана в неговия контекст при нужда. Markdown уикито на Brain е един пример.

Уголеми

Когато актуализираме страница, променяме това, което агентът може да прочете при следващата си задача, но теглата му остават същите. Това е тезата на Пакър от въведението: подобряване чрез контекста, който агентът пази, без повторно обучение.

Как работят заедно видовете памет на агента?

Агентът може да се върне към по-ранен опит, да види къде е сгрешил и да зареди инструкциите, които сте му дали след това. В една и съща задача участват няколко вида памет и не е нужно всеки от тях да има свой ред или отделна база данни.

Тук постоянството определя какво остава достъпно след края на разговора, а извличането определя дали агентът изобщо ще го види отново.

В Brain запазваме този път от урока обратно до доказателствата. Да кажем, че помолите Computer да продължи проект от миналата седмица:

• Индексът на Brain му показва кои страници с памет съществуват и къде да ги намери.
• Brain отваря страницата на проекта, за да прочете запазените решения и инструкции.
• Ако в бележка пише, че сте отхвърлили даден подход, агентът може да проследи цитата ѝ обратно до разговора и да провери защо.

Връзките към свързани страници му позволяват да потърси участващите хора или други проекти. Агентът прави това, като чете и търси във файлове. Например grep му позволява да намери споменавания на проект по име.

Тествахме също какво печелят агентите от възможността да изследват файлове. Във вътрешен бенчмарк със 150 въпроса върху финансови документи изследователски агент, използващ стандартни инструменти за файлове, достигна оценка за отговорите от 0,627 в сравнение с около 0,37 при семантично търсене в същия корпус.

Уголеми

Източник: X

Как да подобрим паметта на AI агентите?

Статия на Орогат и Мансур от май 2026 г. идентифицира четири повтарящи се проблема в паметта на агентите: хранилището непрекъснато расте, остарелите убеждения не се преразглеждат, информацията се забравя, когато мястото свърши, а извличането чете, без да научава нищо от посещението.

Предложеното от тях решение е агентната памет да спре да се третира като хранилище и да се третира като „състояние“, което се развива чрез четири операции: приемане, преразглеждане, забравяне, извличане. Това е нашият списък за проверка в този раздел.

Бъдете избирателни към това, което се запомня

Щом веднъж „лош“ спомен попадне в паметта, всяка следваща стъпка го наследява.

Workday AI Research тества избирателен подход върху около 1500 кандидат-спомена от бенчмарка LoCoMo, като задава пет въпроса, преди да запази който и да е от тях:

• Полезен ли е? Вероятно ли е да потрябва отново?
• Надежден ли е? Наистина ли беше казано това в разговора, или моделът го е допълнил?
• Нов ли е, или вече е съхранен?
• Актуален ли е?
• Траен факт ли е, или преходно състояние?

Само първият въпрос изискваше извикване на модела. Останалите четири се изпълняваха като правила за общо под 65 милисекунди. Методът постигна с 12% по-висока прецизност при решенията дали спомен да се запази, или да се отхвърли, като същевременно запази 97% от релевантните спомени.

Най-голям принос имаше последният въпрос – ако се премахне разграничението между трайна и временна информация, качеството на решенията спада с около 18%.

Преразглеждайте отговора, без да губите историята

Записвайте кога даден факт е станал валиден, кой източник го подкрепя и какво е заменил. Ако източниците си противоречат, оставете това противоречие видимо, докато не се съберат достатъчно доказателства, за да бъде разрешено. Най-новият документ също може да греши.

Brain актуализира уикито, като използва изходни документи, резултати от конектори и корекции от потребителите. Всеки запис в паметта води обратно към своя източник. Нужно е агентът да намира актуалния отговор и да има къде да провери, ако този отговор изглежда съмнителен.

Забравяйте умишлено

Статията нарича един от видовете проблеми „забравяне, водено от капацитета“: информацията се премахва, за да се спази ограничение за съхранение, а не защото е престанала да бъде полезна.

Да се върнем към общата кухня. След шест месеца никой не се интересува кой е затоплил рибата в микровълновата, нито колко дълго е бил отворен прозорецът. Но табелата все още има работа за вършене.

Ако следващият човек си приготвя обяд, правилото ще е налице. Просто архивирате оплакванията.

Проверките на Workday за актуалност и вид информация започват преди съхранението, като филтрират кое заслужава да стане спомен. В Brain ние също преразглеждаме съществуващите знания, когато изходните документи се променят и потребителите правят корекции. И в двата случая съдържанието е това, което налага намесата.

Направете така, че извличането да захранва следващата актуализация

Агентът извлича факт, използва го и оставя хранилището точно такова, каквото го е заварил. Ако системата не улови какво се е случило след това, нищо не записва дали този факт е помогнал, или е отпратил агента в поредната задънена улица.

Записвайте резултата, източника и всяка корекция. Когато създадохме Brain, направихме тази история на работата част от това, което той помни: кой подход е успял, кой източник не е довел доникъде и какво е коригирал потребителят, след като агентът е обявил, че е готов. Brain включва този опит в периодичните актуализации на уикито, така че по-късните задачи да могат да го използват.

Нищо от това обаче не се отразява в бенчмарк за припомняне. Начинът да разберете дали цикълът работи е да дадете на агента задача, която може да изпълни само с помощта на паметта, и да преброите колко често я изпълнява, като отчетете цената и латентността. Точно това прави DolphinBench и затова най-високите резултати все още са в диапазона на седемдесетте.

Как да създадете агент с постоянна памет с помощта на Perplexity

Agent API на Perplexity не включва самоподдържаща се система за памет като Brain. Предпочитаме да го кажем още отначало. Но това, което ви дава, са необходимите елементи на паметта: място за съхранение на процедури, начин за пренасяне на контекст между репликите и инструменти за четене от и запис в хранилище, което контролирате.

Започнете с процедурната памет

Персонализираното умение обединява инструкции, процедури и помощни файлове под определен номер на версия. Екипът по платформата може веднъж да опише своите проверки при внедряване, критериите за връщане към предишна версия и формата на отчитане, а след това приложенията да препращат към едно и също умение. Когато процедурата се промени, екипът качва нова версия.

Уголеми

Източник: X

Профилът отива с едно ниво по-нагоре. Профилите запазват модела, инструкциите, инструментите, уменията, конекторите и настройките за изпълнение на агента под един версиониран идентификатор.

Добавихме и двете през септември, заедно с управляваните конектори, така че администраторът на проекта да може веднъж да конфигурира одобрена връзка с GitHub или Slack и приложенията да препращат към нея, вместо да съхраняват отделни идентификационни данни. Когато достъпът се промени, администраторът актуализира връзката на едно място.

Защо това се брои за памет? Отново се връщаме към кухнята с претоплената в микровълновата риба. Който дойде след това, може да спази надписа „БЕЗ РИБА“, без да е присъствал на оплакванията.

Умението върши същата работа за агента, като оставя място за стъпките, изключенията и проверките, които не биха се побрали на вратичката на микровълновата. Уменията са записани, версионирани и достъпни следващия път, когато задачата възникне.

Използваме умения и за насочване на актуализациите на паметта на Dream. Но това, което умението не прави, е да се учи само. Инструкциите се променят, когато бъде качена нова версия – от човек или от автоматизиран процес.

Ако искате агентът да забележи, че проверката за връщане към предишна версия продължава да се проваля за една услуга, и да се адаптира, това е цикълът от сесии към уики, описан по-рано.

Трябва да запазите случилото се, да прецените какво трябва да се промени и да направите корекцията достъпна следващия път. За това са нужни следващите два елемента.

Пренасяйте работната памет между репликите

Агентът изпълнява проверка при внедряване. Питате: „Защо това се провали?“ Разумен последващ въпрос, стига агентът все още да вижда към какво се отнася „това“.

Нашият Agent API поддържа два начина за пренасяне на контекста на разговора напред:

• Възпроизведете разговора сами: включете по-ранните съобщения във входния масив на следващата заявка. Вие решавате какво да запазите, обобщите, заличите или пропуснете, преди да го изпратите.
• Продължете от завършен отговор: запазете идентификатора му и го подайте като previous_response_id със следващото съобщение. Ние съхраняваме състоянието на разговора от страна на сървъра, така че приложението ви да не трябва да изпраща отново предишните реплики. Можете да продължите от последния отговор във веригата.

Възпроизвеждането ви дава контрол върху това, което агентът вижда, а продължаването по идентификатор ви спестява работата по повторното сглобяване на разговора. И в двата случая предоставете всички нови инструкции, инструменти или настройки на модела, необходими за следващия отговор.

Използвайте собствено хранилище за епизодична и семантична памет

Тази част Agent API оставя на вас.

Един от начините е извикването на функции. Вие дефинирате инструментите, агентът заявява извикване, а приложението ви го изпълнява и връща резултата. За паметта простата отправна точка е операция за четене, преди агентът да действа, и операция за запис след това.

Ако записвате само факта, който агентът е извлякъл, пак не знаете дали той е помогнал. Записвайте резултата, източника и всичко, което потребителят е коригирал, и ще имате началото на епизодичен слой.

Поддръжката ни на MCP ви дава още един начин. Ако съвместим отдалечен MCP сървър предоставя нужните ви операции, агентът може да ги извиква, без да се налага да обвивате всяка от тях като персонализирана функция.

Нашите конектори дават на агента достъп до доказателствата, на които се основават спомените. GitHub, Slack, Google Drive, Datadog, Linear и Notion са в нашия каталог с управлявани конектори, а за вътрешни системи можете да добавите персонализирани конектори.

Накрая решете кога да се преглежда историята и кога да се преработва текущото описание.

Тествайте какво се запазва в нова сесия

Сега затворете разговора. Започнете нова заявка, без да възпроизвеждате старите съобщения или да подавате previous_response_id, но дайте на агента достъп до същото хранилище на паметта. Помолете го да свърши свързана работа, без да повтаряте корекцията.

Ако има нужда от напомняне, все още не сте приключили.

За агента за внедряване създайте няколко теста за това, което трябва да се пренесе занапред:

• Корекцията се запазва: агентът извлича и използва проверената команда за връщане към предишна версия за засегнатата услуга.
• Корекцията остава в своя обхват: агентът не променя процедурите на другите услуги.
• Новата информация заменя старите указания: когато командата се промени отново, агентът използва текущата версия и може да проследи промяната до нейния източник.

Нашето ръководство с примери за регресионно тестване показва как да запазвате резултатите на агента и извлечените доказателства, да ги проверявате спрямо очакваното поведение и да сравнявате изпълненията след промяна на инструкциите или моделите.

Запазете версиите на модела, профила и умението непроменени, докато сравнявате изпълнения с памет и без памет. Започвайте всяко сравнение от известна моментна снимка на хранилището; в противен случай един тест може да научи агента на отговора на следващия.

Когато нещо се провали, запазете случая. Следващата промяна ще трябва да го премине успешно.

Или пропуснете изграждането: Brain в Computer

Ако искате завършения цикъл, а не отделните части, това е Computer. Brain работи в основата му, като се учи от четири източника: вашите сесии, свързаните инструменти, файловете и артефактите, които създавате, и вашите корекции. Фоновите актуализации на Brain затвърждават това, което все още е валидно, преработват промененото и маркират остарялата информация.

Не е нужно сами да изграждате този цикъл. Просто вършите работата си.

Паметта запазва предпочитанията и подробностите, които сте споделили. Brain свързва проекти, хора, решения и незавършена работа с доказателствата зад тях.

Можете да прегледате наученото в изгледа „Памет“, да проследите записите до техните източници и да ги редактирате или изтриете. Brain използва собствената ви активност, изключва сесиите в режим инкогнито и има собствен превключвател.

Уголеми

В Rho например решенията по проект за фактуриране бяха разпръснати в Slack, Notion, Jira, Figma и Google Docs. Екипът настрои Computer да преглежда промените през нощта, да отбелязва несъответствията и да публикува сутрешно резюме в Slack.

Софтуерният им инженер Oktawian Jurkiewicz забеляза, че Computer изгражда и памет за проекта. „Ние не сме го задавали“, казва той. „Computer сам определи кои точки от данни да съхранява от всеки източник.“

Екипът съобщава, че е намалил времето за седмични срещи от 2,5 часа на 15 минути, и изчислява, че е спестил 120 работни часа за 12-седмичния проект.

Тези 120 часа се дължат на целия работен процес: конекторите, нощните изпълнения и резюмето в Slack. Каква част от спестеното време се дължи само на паметта? Все още не можем да определим това количествено.

Но това, което можем да ви посъветваме, е за вашето собствено решение да се върнете към теста от по-рано – изпълнете равностойни задачи с включен и изключен слой на паметта, след това сравнете процента на завършване, разходите и времето, включително времето, което някой отделя за коригиране на резултата.

Често задавани въпроси за паметта на ИИ агентите

Могат ли ИИ агентите да имат памет?

Да. ИИ агентите могат да запазват информация между сесиите чрез съхранени разговори, факти, предпочитания и процедури за многократна употреба. Системата трябва да извлича тази информация, когато е релевантна, и да я актуализира, когато обстоятелствата се променят.

Brain в Perplexity Computer например изгражда работен контекст от сесии, свързани инструменти, файлове и корекции от потребителя.

Колко RAM използва един ИИ агент?

Няма едно-единствено изискване. Ако агентът ви извиква хостван модел чрез Perplexity Agent API, не е нужно да зареждате този модел в собствената си RAM. Приложението ви и локалните инструменти все пак се нуждаят от памет.

При локално изпълнение на модел нещата стоят различно. При четири бита на параметър осем милиарда параметъра се равняват на приблизително 4 GB сурови данни за тегла. Реално необходимата памет е по-голяма, след като включите допълнителните разходи от квантуването, обработката на контекста и софтуера, който изпълнява модела.

Каква е най-добрата памет за ИИ агент?

Най-добрата конфигурация зависи от това какво агентът трябва да пренася занапред. Състоянието на разговора поддържа последващите въпроси; епизодичните записи запазват случилото се; семантичната памет съдържа текущите знания; процедурната памет предоставя инструкции за многократна употреба.

Повечето текущи задачи имат полза от комбинация. За Brain използваме свързано уики, подкрепено с източници. За вашето собствено решение тествайте дали конфигурацията помага на агента да изпълнява задачи, да прилага корекции и да изоставя остарелите указания.