Paměť AI agentů: jak vytvářet AI agenty s trvalým kontextem

Kdybyste museli nového kolegu každé ráno po dobu šesti měsíců doprovázet k tiskárně, začali byste si dělat starosti. Kdyby dokázal odříkat každou předchozí cestu do nejmenšího detailu, ale stále potřeboval doprovod, paměť by měl vynikající… ale vy byste stejně pořád vstávali od stolu.

Paměť AI agentů dnes zažívá svou vlastní verzi této nekonečné cesty k tiskárně. Generální ředitel společnosti Letta Charles Packer uvádí v The New Stack, že benchmarky paměti jsou nasycené, protože měří vybavování, které podle něj už je vyřešené. Otevřeným problémem je, aby se agent zlepšoval ve své práci díky kontextu, který si uchovává, a to bez jakéhokoli přetrénování.

Jeho spoluzakladatelka Sarah Wooders to přirovnává k nástupu do nové práce – benchmarky agentovi předají veškerý kontext, který potřebuje – a to u jednoho nesouvisejícího úkolu za druhým, což vůbec neodpovídá tomu, jak pracují lidé. Nového zaměstnance možná budete muset doprovodit k tiskárně. Po třech letech byste ale doufali, že mu můžete předat jednořádkové zadání, aniž byste museli vstávat od stolu.

To je standard, ke kterému je třeba směřovat, a zároveň cíl, který stojí za Brain, naším samozdokonalujícím se paměťovým systémem pro Perplexity Computer, který uspořádává předchozí práci a opravy do neustále se vyvíjející znalostní wiki.

Probereme, co by si agent měl pamatovat a jak otestovat, zda mu to pomáhá odvádět lepší práci.

Co je paměť AI agenta?

Paměť AI agenta představuje informace, které si agent uchovává z předchozích interakcí a práce, spolu s mechanismy pro jejich aktualizaci a využití. Kontext trvalé paměti přenáší tyto informace napříč relacemi, takže ukončení konverzace neznamená, že další úkol začíná od nuly.

Většina toho, co se pod tímto názvem nabízí, si pamatuje uživatele. Vaše preference, vaše kontakty, vaši roli, to, že chcete soubory PDF místo PNG. To je ta snazší polovina.

Když jsme vytvářeli Brain, paměťový systém, na kterém stojí Perplexity Computer, zaměřili jsme se na samotnou práci. Který přístup uspěl? Který zdroj promarnil dvacet minut? Co jste museli opravit poté, co agent oznámil, že je hotovo? Tato historie dává dalšímu úkolu lepší výchozí bod.

Brain tyto informace ukládá jako soubory v sandboxu agenta, uspořádané do tří vrstev:

• sessions/ obsahuje nezpracované přepisy a jejich shrnutí.
• notes/ obsahuje zhuštěné informace uspořádané podle témat.
• knowledge/ obsahuje samotnou wiki: propojené stránky v Markdownu o lidech, projektech a konceptech.

Nic z toho se samo od sebe nezlepšuje. Přes noc procházejí agenti na pozadí, kterým říkáme „Dream“, relace z uplynulého dne, shrnují je a upravují wiki všude tam, kde se situace změnila. Tyto úpravy připravujeme a kontrolujeme, než je commitneme do Gitu, takže když něco nesedí, je k dispozici diff, který lze prozkoumat.

Zlepšuje to agenta v jeho práci? V našem 30denním párovém hodnocení zlepšily relace s povoleným Brain správnost o 9,3 procentního bodu a vybavování o 8,9, přičemž spotřebovaly zhruba o 15 % méně tokenů.

Zvětšit

Zdroj: X

Jaké jsou typy agentní paměti?

Existují dva hlavní druhy a rozdělení je velmi podobné tomu, které byste použili u člověka: co máte právě teď v hlavě a co budete vědět i příští měsíc.

Krátkodobá paměť

Krátkodobá paměť uchovává kontext aktuální konverzace nebo úkolu. Váš požadavek, nedávné zprávy, výsledek volání nástroje, dokument, který agent právě otevřel. Dostatek informací k tomu, aby agent zjistil, co dělat dál.

Setkáte se také s označením pracovní paměť. U LLM uchovává kontextové okno informace dostupné během konkrétního volání modelu. Aplikace může udržovat i další stav úkolu a rozhodovat, které jeho části v jednotlivých krocích poskytne.

A krátkodobá paměť nutně neznamená jednorázovou. Framework může uložit stav konverzace a zítra v ní pokračovat – stále ale patří k tomuto vláknu. Zda tyto informace může využít i jiný úkol, je samostatné návrhové rozhodnutí.

Dlouhodobá paměť

Dlouhodobá paměť zpřístupňuje informace napříč relacemi. Článek CoALA si vypůjčil tři kategorie z kognitivní vědy a dal tvůrcům agentů slovník pro popis zkušeností a know-how:

• Epizodická paměť je to, co se stalo: Patří sem minulé relace, kroky, které agent provedl, a výsledek, kterého dosáhl. V Brain tuto historii poskytuje sessions/ prostřednictvím nezpracovaných přepisů a jejich shrnutí.
• Sémantická paměť je to, co agent považuje za pravdivé: Mohou to být fakta o uživateli, jeho projektech a jeho světě, vytěžená z konverzací. Tento druh informací uchovává wiki knowledge/ v Brain, a to s odkazy zpět na důkazy.
• Procedurální paměť je to, jak věci dělat: Jde o prompty, opakovaně použitelné pracovní postupy a Skills, které Perplexity vytváří, aby agentům poskytla pokyny a nástroje, které daná práce vyžaduje. Možná už něco z toho máte, aniž byste tomu říkali paměť.

Zajímavá práce se odehrává mezi vrstvami. Relace zaznamená, že jste odmítli soubor PNG. Z vašeho pokynu používat PDF se stane preference, kterou si agent může přenést dál. Z opravy procesu exportu se stane něco, čím se může příště řídit.

Tento převod od „tohle se stalo“ přes „tohle je pravda“ až po „takhle to děláme“ je součástí problému učení, kterým jsme začali, a právě na něj vynakládají úsilí noční běhy agenta Dream v Brain.

Řekněme, že si někdo ve sdílené kuchyňce ohřeje v mikrovlnce rybu. Přijdou stížnosti, otevře se okno. Nakonec se objeví cedule: ŽÁDNÉ RYBY.

O šest měsíců později se viník už odstěhoval, ale cedule zůstala. To je perzistence. Typy paměti lze vysvětlit podle toho, co přetrvá:

• Pracovní paměť je to, co sledujete při přípravě oběda, třeba že je potřeba zamíchat polévku.
• Epizodická paměť je samotný incident s rybou; zápach, který všechny pronásledoval až na chodbu.
• Sémantická paměť jsou znalosti, které jste si z toho odnesli – ohřívání ryby může ve sdílené kuchyňce zanechat přetrvávající zápach.
• Procedurální paměť je pokyn, který určuje, co se stane dál. Neohřívejte zde ryby v mikrovlnce. Díky ceduli může pravidlo dodržovat i někdo, kdo celý incident nezažil.

Existuje ještě jedno rozlišení, protože mění to, co budujeme. Přehledová studie Memory in the Age of AI Agents, poprvé publikovaná v prosinci 2025, uvádí, že rozdělení na krátkodobou a dlouhodobou nestačí – paměť třídí také podle formy:

• Na úrovni tokenů: Jde o explicitní obsah, který agent čte. Soubory, uložené záznamy, načtené bloky textu.
• Parametrická: Jde o informace zakódované v naučených vahách. Jejich aktualizace vyžaduje trénování nebo metody úpravy modelu.
• Latentní: Jde o informace uchované ve vnitřních reprezentacích, aniž by byly zapsány jako čitelný text.

Zde se zaměřujeme na paměť na úrovni tokenů, tedy na informace uložené mimo model a v případě potřeby načítané do jeho kontextu. Jedním z příkladů je wiki v Markdownu v Brain.

Zvětšit

Když aktualizujeme stránku, měníme to, co si agent může přečíst při dalším úkolu, ale jeho základní váhy zůstávají stejné. To je Packerova myšlenka z úvodu: zlepšovat se díky kontextu, který si agent uchovává, bez přetrénování.

Jak typy paměti agenta spolupracují?

Agent se může vrátit k dřívějšímu pokusu, zjistit, kde udělal chybu, a načíst pokyny, které jste mu poté dali. Na stejném úkolu se podílí několik druhů paměti a nemusí se přitom střídat ani mít každý vlastní databázi.

Perzistence zde určuje, co zůstane k dispozici po skončení konverzace, zatímco vyhledávání určuje, zda to agent ještě vůbec někdy uvidí.

V Brain tuto cestu od ponaučení zpět k důkazům zachováváme. Řekněme, že požádáte Computer, aby pokračoval v projektu z minulého týdne:

• Index Brain mu sdělí, jaké paměťové stránky existují a kde je najít.
• Brain otevře stránku projektu, aby si přečetl uložená rozhodnutí a pokyny.
• Pokud poznámka uvádí, že jste nějaký přístup odmítli, agent může sledovat její citaci zpět ke konverzaci a ověřit proč.

Odkazy na související stránky mu umožňují dohledat lidi nebo další projekty, kterých se věc týká. Agent to dělá čtením a prohledáváním souborů. Například grep mu umožňuje najít zmínky o projektu podle názvu.

Testovali jsme také, co agentům přináší možnost procházet soubory. V interním benchmarku se 150 otázkami k finančním dokumentům dosáhl průzkumný agent využívající standardní souborové nástroje skóre odpovědí 0,627, zatímco sémantické vyhledávání ve stejném korpusu dosáhlo přibližně 0,37.

Zvětšit

Zdroj: X

Jak zlepšit paměť AI agenta?

Studie autorů Orogata a Mansoura z května 2026 identifikuje čtyři opakující se selhání paměti agentů: úložiště neustále roste, zastaralá přesvědčení zůstávají nerevidována, informace se zapomínají, když dojde místo, a vyhledávání čte, aniž by se z dané návštěvy cokoli naučilo.

Jako řešení navrhují přestat s agentní pamětí zacházet jako s úložištěm a pojímat ji jako „stav“, který se vyvíjí prostřednictvím čtyř operací: příjem, revize, zapomínání a vyhledávání. To je náš kontrolní seznam pro tuto část.

Pečlivě vybírejte, co se má zapamatovat

Jakmile se „špatná“ vzpomínka dostane dovnitř, zdědí ji každý další krok.

Tým Workday AI Research otestoval selektivní přístup na zhruba 1 500 kandidátních vzpomínkách z benchmarku LoCoMo, přičemž si před uchováním kterékoli z nich položil pět otázek:

• Je užitečná? Je pravděpodobné, že se znovu objeví?
• Je důvěryhodná? Opravdu to v konverzaci zaznělo, nebo si to model domyslel?
• Je nová, nebo už je uložená?
• Je aktuální?
• Jde o trvalý fakt, nebo o přechodný stav?

Volání modelu vyžadovala pouze první otázka. Zbylé čtyři běžely jako pravidla a dohromady jim to trvalo méně než 65 milisekund. Metoda dosáhla o 12 % vyšší přesnosti u rozhodnutí o ponechání či vyřazení a přitom zachovala 97 % relevantních vzpomínek.

Největší podíl měla poslední otázka – po odstranění rozlišení mezi trvalými a dočasnými informacemi klesla kvalita rozhodování zhruba o 18 %.

Revidujte odpověď, aniž byste ztratili historii

Zaznamenávejte, kdy fakt začal platit, který zdroj ho podporuje a co nahradil. Pokud se zdroje neshodují, ponechte tento rozpor viditelný, dokud nebude dost důkazů k jeho vyřešení. I nejnovější dokument se může mýlit.

Brain aktualizuje wiki pomocí zdrojových dokumentů, výsledků konektorů a oprav od uživatelů. Každý záznam v paměti odkazuje zpět na svůj zdroj. Potřebujeme, aby agent našel aktuální odpověď a měl kde hledat, pokud se mu ta odpověď zdá podezřelá.

Zapomínejte záměrně

Studie označuje jeden ze způsobů selhání jako „zapomínání vynucené kapacitou“: informace jsou odstraňovány kvůli limitu úložiště, nikoli proto, že by přestaly být užitečné.

Zpět do sdílené kuchyňky. Po šesti měsících už nikoho nezajímá, kdo ohříval rybu v mikrovlnce ani jak dlouho zůstalo okno otevřené. Cedule ale svůj účel stále plní.

Až bude další člověk připravovat oběd, pravidlo bude k dispozici. Stížnosti stačí archivovat.

Kontroly aktuálnosti a typu informací od Workday začínají ještě před uložením a filtrují, co si zaslouží stát se vzpomínkou. V Brain navíc revidujeme existující znalosti, když se mění zdrojové dokumenty a uživatelé provádějí opravy. V obou případech si zásah vynucuje samotný obsah.

Ať vyhledávání přispívá k další aktualizaci

Agent vyhledá fakt, použije ho a úložiště ponechá přesně tak, jak ho našel. Pokud systém nezachytí, co se stalo potom, nic nezaznamená, zda tento fakt pomohl, nebo agenta zavedl do další slepé uličky.

Zaznamenávejte výsledek, zdroj a případné opravy. Když jsme vytvářeli Brain, učinili jsme tuto pracovní historii součástí toho, co si pamatuje: který přístup uspěl, který zdroj nikam nevedl a co uživatel opravil poté, co agent oznámil, že je hotovo. Brain tyto zkušenosti začleňuje do pravidelných aktualizací wiki, aby je mohly využít pozdější úkoly.

Nic z toho se ale v benchmarku vybavování neprojeví. Zda smyčka funguje, zjistíte tak, že agentovi dáte úkol, který dokáže splnit jen s pomocí paměti, a budete počítat, jak často ho splní, včetně nákladů a latence. Přesně to dělá DolphinBench, a právě proto se nejlepší skóre stále pohybují mezi 70 a 80.

Jak s Perplexity vytvořit agenta s trvalou pamětí

Agent API od Perplexity nenabízí samoudržující se paměťový systém, jako je Brain. Raději to říkáme hned na začátku. Poskytuje vám ale stavební prvky paměti, které potřebujete: místo pro uložení postupů, způsob, jak přenášet kontext mezi jednotlivými kroky konverzace, a nástroje pro čtení z úložiště, které máte pod kontrolou, i pro zápis do něj.

Začněte procedurální pamětí

Vlastní Skill sdružuje instrukce, postupy a podpůrné soubory pod jedním číslem verze. Platformní tým může jednou sepsat své kontroly nasazení, kritéria pro rollback a formát hlášení a pak nechat aplikace odkazovat na stejný Skill. Když se postup změní, tým nahraje novou verzi.

Zvětšit

Zdroj: X

Profil jde o úroveň výš. Profily ukládají model agenta, instrukce, nástroje, Skilly, konektory a nastavení běhu pod jediným verzovaným ID.

Obojí jsme přidali v září spolu se spravovanými konektory, takže správce projektu může schválené připojení ke GitHubu nebo Slacku nakonfigurovat jednou a nechat na něj aplikace odkazovat, místo aby ukládaly samostatné přihlašovací údaje. Když se přístup změní, správce aktualizuje připojení na jednom místě.

Proč se to počítá jako paměť? Vraťme se ještě jednou do kuchyně s rybou ohřívanou v mikrovlnce. Kdokoli přijde jako další, může se řídit cedulí ŽÁDNÉ RYBY, aniž by byl svědkem stížností.

Skill dělá pro agenta totéž, jen s prostorem pro kroky, výjimky a kontroly, které by se na dvířka mikrovlnky nevešly. Skilly jsou sepsané, verzované a k dispozici, až bude úkol znovu na řadě.

Skilly používáme i k řízení toho, jak Dream aktualizuje paměť. Co ale Skill nedělá: neučí se sám. Instrukce se mění, až když někdo nahraje novou verzi – ať už člověk, nebo automatizovaný proces.

Pokud chcete, aby si agent všiml, že kontrola rollbacku u jedné služby opakovaně selhává, a přizpůsobil se, jde o smyčku od relací k wiki, kterou jsme popsali dříve.

Je potřeba uchovat, co se stalo, vyhodnotit, co by se mělo změnit, a zpřístupnit opravu pro příště. K tomu potřebujete další dva díly.

Přenášejte pracovní paměť mezi koly konverzace

Agent spustí kontrolu nasazení. Zeptáte se: „Proč to selhalo?“ Rozumný doplňující dotaz – pokud agent stále vidí, k čemu se „to“ vztahuje.

Naše Agent API podporuje dva způsoby, jak přenášet kontext konverzace dál:

• Přehrajte konverzaci sami: Zahrňte dřívější zprávy do vstupního pole dalšího požadavku. Před odesláním sami rozhodnete, co ponechat, co shrnout, z čeho odstranit citlivé údaje a co vynechat.
• Pokračujte od dokončené odpovědi: Uložte si její ID a předejte ho jako previous_response_id s další zprávou. Stav konverzace uchováváme na straně serveru, takže vaše aplikace nemusí znovu odesílat dřívější kola konverzace. Pokračovat můžete od nejnovější odpovědi v řetězci.

Přehrání vám dává kontrolu nad tím, co agent vidí, a pokračování podle ID vám ušetří práci s opětovným sestavováním konverzace. V obou případech zadejte všechny nové instrukce, nástroje nebo nastavení modelu, které jsou pro další odpověď potřeba.

Použijte vlastní úložiště epizodické a sémantické paměti

Tuto část nechává Agent API na vás.

Jednou z cest je volání funkcí. Vy definujete nástroje, agent si vyžádá volání a vaše aplikace ho provede a vrátí výsledek. Pro paměť je jednoduchým výchozím bodem operace čtení předtím, než agent začne jednat, a operace zápisu potom.

Když zaznamenáte jen fakt, který agent vyhledal, pořád nevíte, zda pomohl. Zaznamenejte výsledek, zdroj a cokoli, co uživatel opravil, a máte základ epizodické vrstvy.

Další cestu nabízí naše podpora MCP. Pokud kompatibilní vzdálený MCP server zpřístupňuje operace, které potřebujete, agent je může volat, aniž byste každou z nich museli obalovat jako vlastní funkci.

Naše konektory dávají agentovi přístup k podkladům, o které se vzpomínky opírají. GitHub, Slack, Google Drive, Datadog, Linear a Notion jsou v našem katalogu spravovaných konektorů a pro interní systémy můžete přidat vlastní konektory.

Nakonec rozhodněte, kdy se bude historie procházet a kdy se bude aktualizovat současný stav znalostí.

Otestujte, co přetrvá do nové relace

Teď konverzaci uzavřete. Zahajte nový požadavek bez přehrání starých zpráv a bez předání previous_response_id, ale dejte agentovi přístup ke stejnému úložišti paměti. Požádejte ho o související práci, aniž byste opravu opakovali.

Pokud mu to musíte připomínat, ještě nejste hotovi.

Pro agenta pro nasazování sestavte několik testů zaměřených na to, co by se mělo přenést dál:

• Oprava přetrvá: Agent vyhledá a použije ověřený příkaz pro rollback dotčené služby.
• Oprava zůstane ve svém rozsahu: Postupy ostatních služeb nechá beze změny.
• Nové informace nahradí staré pokyny: Když se příkaz znovu změní, agent použije aktuální verzi a dokáže změnu dohledat k jejímu zdroji.

Naše kuchařka regresního testování ukazuje, jak ukládat výstupy agenta a vyhledané podklady, porovnávat je s očekávaným chováním a srovnávat běhy po změně instrukcí nebo modelů.

Při porovnávání běhů s pamětí a bez ní ponechte verze modelu, Profilu a Skillu neměnné. Každé porovnání začněte ze známého snímku úložiště; jinak může jeden test naučit agenta odpověď na ten další.

Když něco selže, uložte si tento případ. Další změna by jím měla projít.

Nebo sestavování vynechte: Brain v Computeru

Pokud chcete místo jednotlivých dílů hotovou smyčku, je tu Computer. Pod ním běží Brain, který se učí ze čtyř zdrojů: z vašich relací, připojených nástrojů, souborů a artefaktů, které vytvoříte, a z vašich oprav. Aktualizace, které Brain provádí na pozadí, posilují to, co stále platí, upravují to, co se změnilo, a označují zastaralé informace.

Tuto smyčku nemusíte sestavovat sami. Stačí dělat svou práci.

Paměť uchovává preference a podrobnosti, které jste sdíleli. Brain propojuje projekty, lidi, rozhodnutí a nedokončenou práci s podklady, o které se opírají.

To, co se naučil, si můžete prohlédnout v zobrazení Paměť, dohledat záznamy k jejich zdrojům a upravit je nebo smazat. Brain využívá vaši vlastní aktivitu, vynechává anonymní relace a má vlastní přepínač.

Zvětšit

Například ve společnosti Rho byla rozhodnutí týkající se projektu fakturace roztroušená po Slacku, Notionu, Jiře, Figmě a Google Docs. Tým nastavil Computer tak, aby přes noc kontroloval změny, upozorňoval na nesrovnalosti a ráno publikoval ve Slacku přehled.

Jejich softwarový inženýr Oktawian Jurkiewicz si všiml, že Computer pro projekt vytváří také paměť. „Nedefinovali jsme ji,“ říká. „Computer sám přišel na to, které datové body by měl z jednotlivých zdrojů ukládat.“

Tým uvádí, že zkrátil čas týdenních schůzek z 2,5 hodiny na 15 minut, a odhaduje, že během 12týdenního projektu ušetřil 120 pracovních hodin.

Těchto 120 hodin se připisuje celému pracovnímu postupu: konektorům, nočním běhům a přehledu ve Slacku. Kolik z ušetřeného času připadá na samotnou paměť? To zatím vyčíslit nedokážeme.

Co ale doporučit můžeme: při vlastním sestavování se vraťte k testu zmíněnému dříve – spusťte rovnocenné úlohy se zapnutou a vypnutou vrstvou paměti a pak porovnejte míru dokončení, náklady a čas, včetně času, který někdo stráví opravováním výsledku.

Časté dotazy k paměti AI agentů

Mohou mít AI agenti paměť?

Ano. AI agenti si mohou uchovávat informace napříč relacemi prostřednictvím uložených konverzací, faktů, preferencí a znovupoužitelných postupů. Systém musí tyto informace vyhledat, když jsou relevantní, a aktualizovat je, když se okolnosti změní.

Brain v Perplexity Computer například vytváří pracovní kontext z relací, připojených nástrojů, souborů a oprav od uživatelů.

Kolik RAM AI agent používá?

Jednotný požadavek neexistuje. Pokud váš agent volá hostovaný model přes Perplexity Agent API, nemusíte tento model načítat do vlastní RAM. Vaše aplikace a lokální nástroje však paměť potřebují i tak.

Při lokálním spuštění modelu je to jiné. Při čtyřech bitech na parametr představuje osm miliard parametrů zhruba 4 GB surových dat vah. Skutečně potřebná paměť je vyšší, jakmile započítáte režii kvantizace, zpracování kontextu a software, který model spouští.

Jaká paměť je pro AI agenta nejlepší?

Nejlepší nastavení závisí na tom, co agent potřebuje přenášet dál. Stav konverzace podporuje doplňující dotazy, epizodické záznamy uchovávají to, co se stalo, sémantická paměť obsahuje aktuální znalosti a procedurální paměť dodává znovupoužitelné instrukce.

Většině dlouhodobé práce prospěje kombinace. Pro Brain používáme propojenou wiki podloženou zdroji. Při vlastním sestavování otestujte, zda nastavení pomáhá agentovi dokončovat úkoly, uplatňovat opravy a vyřazovat zastaralé pokyny.