Памяць AI-агентаў у 2026 годзе: параўнанне Mem0, Letta, Zep і хмарных платформаў

Калі вы пачаткаеэ новую сесыю з большасцю AI-агентаў, вы стаеце з незнаёмым чалавекам. Ён не ведае вашага імені, чым вы займаецеся, і нават таго, што ўчора прыняўся развязвац тую ж проблему разам з вамі працэсам гадзіну. Звычны спосаб развязкі — запісваць стары транскрыпт у наступны запіт, але гэта завжды было недагодна: больш токенаў, медленнейшыя адпаведзі, горэйшая точнасць. У 2026 году гэтыя недагоднасты сталі занадта велікімі, і ў якосты замены ўжо з’явіліся спецыяльна створаныя шары памяці.

Калькуляцыі паказваюць меру змены. Алгорытм трэцяго пакоління Mem0 парадуе 94,4 балоў у тэсты LongMemEval, вітрачаючы прыблізна 7 000 токенаў на кожны запіт; у той час як ввод цэлай історыі запытанняў коштае 25 000 токенаў або больш. Час адпаведзення гэтага алгорытму па показніку p95 зменіўся на 91%, з 17,12 секунды да 1,44. Тэмпаральная графа знанняў Zep парадуе 94,8% у тэсты Deep Memory Retrieval проты 93,4% у MemGPT, пры чым час адпаведзення ў яго выпадку на 90% ніжэй. Компанія Anthropic 23 кастрычніка 2026 года запусціла функцыю стойкай памяці для Claude Managed Agents у публічнай бета-версіі, а Rakuten, як одна з першых компаній, якія ўжо ўзялі ёю выкарыстоўванне, адзвярнулася пра змену колькісці памылак на 97%, зніжэння віткаў на 27% і змену часу адпаведзення на 34% для агентаў, якія выконваюць дзеяння праўільна ў довгачасовым рэжыме. AWS і Microsoft перадалі тую ж ідэю у продукты для своіх хмар. А ў мае 2026 года OWASP запусціла спецыяльны праект Agent Memory Guard, адтолькі як памяць, якая застаецца між сесіямі, стала метай для хакераў.

Далей практычны аналіз такой сферы: што такое пам’ець на самай працоўны, як складаюцься галоўныя сістэмы, што розкажуць, а што не розкажуць показнікі, дзе выходзіць з ладу пам’ець і куды яна працуе.

Проблема амнэзіі

Кожны, хто за останні калькі гадоў ствараў агента, знае гэтыя труднасці. У межах адной сесіі мадэль працуе чыста. А між сесіямі яна ведае ся як золатая рыбка. Кожны запуск пачынаецца з нуля, кожныя прагантаванні задаюцца занова, а кожны факт пра корыстніка, праект чы схему работы трэба перзбудаваць з первісных запісаў чы запхнуць у запіт сістэмы, пакуль вартасці апрацоўкі кантэксту не стануць домінуючым элементам у загальных вітоках.

Продукты для спожычальнікаў прабавалі сховаць гэтыя прынт. OpenAI выклікала функцыю ChatGPT Memory для всіх платных тарыфаў да сэптэбра 2024 года, у апрэле 2025 года расшырыла яе так, юбы яна паводзілася пра кожную паказаную раней размову, а ў чэрвені 2025 года запусціла яе для безплатных корыстнікаў. Anthropic дадала автаматычную памяць для Claude у жаўтні 2025 года, зробіла яе безплатной для всіх у марцы 2026 года, а таксама выпусціла інструмент для програмнае керавання памяцюю для Claude Managed Agents у публічнай бета-версіі, якая стварае постаянную дырэктарыю /memory з файламі, якія застаюцца актуальнымі між сесіямі. Гэта зручныя функцыі, але жадна з іх не ўтварае компаненту, якую можна будзь-як уключыць у свой агента.

Для распрацоўшчыкаў простая альтэрнатыва — перагляд усіх паданых дакументаў з кожнага запытку — выглядае прыемнаю ў дэмаверсіях, але стае неэфектываюю пры вялікіх масштабах. Метрыка LongMemEval, прызначаная для ацэнкі памяці чат-асістэнта на NeurIPS 2024, гэта падтвердзіла. Калі колькасць дакументаў доходзіла да апошней 115 тысяч токенаў, нават сучасныя мадэлі з даглыбай аналізу вялікіх тэкстаў трапляліся на 30–60 пунктамаў ніжэй за точнасцю, чым мадэлі, якія отрымаўалі неабходныя доказы безпосерэдна. GPT-4o, які чытаў усю історыю запыткаў, паставіўся на рэвэрс 60,6%–64%, тады як максімальная точнасць для такіх модэляў станавіла 87%–92%. Нават вікна ў мільйон токенаў не дапамагае — гэта проста стварае большыя обсягі дакументаў, у якіх модэлю легча загубіць неабходную інфармацыю.

Да 2026 году галузь выйшла на болей чыстую ідэю: памяць — гэта самостойны компонент. Гэта не трук з кантэкстным вікнам, не індэкс RAG для логаў чату і не шаблон запіта. Гэта сховішча першага класу з сае механізамам зберагчэння, правіламі выключэння, API для выкарыстоўвання, модэлем безпекі і крытэрыямі адліквіднасці. Актыўнасць відбываецца чатырох месцах адразу:

• SDK на адкрытым кодзе: Mem0, Letta, Zep з Graphiti, Cognee, LangMem і Memori.
• Продукты гіперскейлераў: AWS Bedrock AgentCore Memory, памяць у межах прызначэння корыстувальніка ад Microsoft Foundry і памяць у класе Claude Managed Agents ад Anthropic.
• Даследжэнні: A-MEM, HippoRAG 2, MemoryOS, M3-Agent для мультымадальных даных, MemRL для самаэвалюючыхся агентаў, AgeMem і Sparse Memory Finetuning ад Meta.

У самай модэлі: DeepSeek V4 (красавец 2026 года) адказаўся Engram — прыемам памяці тыпу O(1), які базуецца на хэшаванні, і які можа обрабатваць кантэкст з 1 мільйона токенаў пры цэне, падобной да той, якая трэба для 128K токенаў; кроме таго ён досягае 97% рэзультатаў у тэстах тыпу «жылка сярод сена» пры такой дужыні. Межа між памяцюю, якая знаходзіцца у самай модэлі, і памяцюю, якая знаходзіцца у зовнішнім сховішчы, становіцца все менш чыстай.

У апডেটе Mem0 «Стан памяці агента AI 2026» рэзультат называецца інжынерыяй памяці: галуззю працы з сасобамі аналізу, сваімі крытэрамі, компромісамі і стандартамі працы, якай пайшоў шляхам, які праця з запросамі прыняла ў своёй эвалюцыі да інжынерыі кантэксту. У рэшце ціяго матэрыялу вжываецца гэты тэрмінолагічны комплекс, апоўнюецца інформацыяй з дапісу Mem0 ECAI 2025 і яго апডেটу з квітня 2026 года, дапіса Zep, крытэраў LongMemEval і LoCoMo, фрэймворку CoALA, працы MemGPT і Letta, HippoRAG 2, MemoryOS, M3-Agent, рэлізу Claude Managed Agents, AgentCore Memory і рэкамендацый OWASP.

Кантэкстовыя вікна, RAG і логі чату — гэта не памяць

У практычна кожных зустрэчах на тэму «давайце дадам памяць» выступаюць тры паглычанні, якія варта раз’ясніць, перш чым архітэктуры стануць зрозумелымі.

Кантэкстова вікна — гэта не памяць. Яе трымкі короткі, яна зменліва і перазаражаецца ў кожны раз. Памяць застаёцца між сесіямі і мае свой рэверс, правілы развіцця і стратэгію забывання. Яны дапамагаюць аднам другаму, але ніхто з іх не заменяе іншага. Доследжэння LongMemEval паказало, што нават лідарыяя мадэлі з вікнамі на мільйоны токенав тыятроўцу ўтрачаюць пад 30% точнасці, калі ў іх прасябае запамятаць факты з паканальных сесій без шару памяці.

RAG — гэта не памяць. Класычны метод адгэнеравання з выкарыстоўванням дадзеных адшукае ў статычным корпусе дакументы, якія вучасць раней, чым агент паведае з каму-небудзь. Памяць жа адшукае ў сабе самай агентаўскія практычныя даны: прыемленыя звесці, вызовы інструментаў, факты, якія зазначыў корыстнік, а таксама ўзводы з іх. Асаблівасцю у 2026 годзе ёсць шлях для збіркі новых дадзеных. Індэкс RAG здавольна ўжо толькі дапыляе новыя даны і не мае стану, тады калі памяць змінюецца з часам, можа мячыць суперсучасныя версіі аднаго і тога ж факту, павінна быць выправленая, калі ёй не паслужае, і яю сам агент запісвае.

Журнал чату — гэта не памяць. Транскрыпцыя зберагае ўсё, укладзеныя там шумы таксама. Памяць должна хаваць выкараныя факты, такія як „пользоватэль вядома выбірае метрычныя едыніцы“, „канец квартала Q3 перанесены на 14 лістапада“ або „клуч API Stripe быў зменены 2026-04-12“, кожны з якіх мае джэрэлу і тымчасовы перыод чыннасці, а не 80 000 токенав мелкага размовы. Такая стысненне, якая адбываецца з высокім рэгрэту і публікуецца за дапамою API, які можа аўдытаваць і агент, і каманда безпекі, — гэта весь задача шару памяці.

Усе наведзеныя ніжэй сістэмы прагнуць таго ж цілі. Агент павінен дзейваць так, як будуць існаваць месяцы спільной історыі, пры тым сума вычыслаў не должна перасягаць розмір павнага кантэксту, агент не павінен выдумваць факты пра свога карыстальніка, і ніхто не павінен магчымаць прасунуць паказваныя некарэктныя даныя ў тое, што ён запам’ятавае.

Спільны слоўнік з CoALA

Практычна кожны чынныя фрэймворкі, будзь то Mem0, Letta, LangMem, Cognee, Memori чы AgentCore, выкарыстоўваюць аднаковую таксанамію. Яна паходзіць з CoALA — артыкула 2023 года з Прынстона і CMU пра канцэпты когнітыўных архітэктураў для мовных агентаў, у яком чатыры тыпы людскай памяці былі прыроўнаны да агентаў на базе LLM:

• Рабочая памяць — гэта актыўны вікну кантэксту, зменныя, якія выкарыстоўваюцца ў потычным цыкле прыняцця рашэнняў. Яна ёсць зменным.
• Эпізодычная памяць зберагае конкрэтныя пасляднія досвядчэння разам з часам і наратываў: «пользоватэль запытаўся пра Stripe webhooks 4 марца і паспэў на памылку X».
• Семантычная памяць зберагае узагальненыя факты: «пользоватэль воліць кароткія адказы», «фінансавы год у ACME заканчваецца 30 сябра».

Працэспадовая памяць абараняе навыкі, рутыны і код. Яна зазвычай зберагаецца ў важарах модэля, запросах сістэмы і рэестрах адзінакоў, хоча все больша колькасць сістэм запісвае яе пад час выканання. LangMem зберагае правілы запросаў, а A-MEM падтрымвае эвалюючую сетка зямнікаў.

Такое раздзеленне мае значэнне, таму што кожны віробнік выкарыстоўвае разныя падходы. Mem0 ў першую чаргу ёсць семантычным. Zep абараняе эпізодычную і тэмпаральна-семантычную памяць на адной з базы знанняў. Letta запрошвае машыну віртуальной памяці, якая падтрымвае ўсе чатыры тыпы памяці. LangMem поставляе окрэмыя семантычныя, эпізодычныя і працэспадовыя сховішчы. A-MEM злучае эпізодычную і семантычную памяць за дапамогою способу Zettelkasten, а Memori серыялізуе все ў SQL. Знанне таго, які тып памяці оптымізуе сістэма, дапамагае выбраць палову рашэнняў пра архітэктуру.

Mem0: выкарыстоўваець, а потым апдэйтаваць

Mem0 (Y Combinator W24, якій у жаўтні 2025 года было залучана 24 мільйона долераў ад Basis Set, Peak XV, GitHub Fund і Kindred Ventures) у 2026 годзе стала стандартным адкрытым-кода шарам памяці, так сама як pgvector стала стандартным вектарным індэксам за два гады ранейш: яна справлялася з 80% простых кейсаў за дапамогою трохі больш чым трохоў ліній коду на Python і надзвычайна добра функцыонавала ў рэальных умовах. Да серэдзіны 2026 годзы ў яе было больш чым 41 000 зірак на GitHub, падаўся пад 14 мільйонаў разоў і зарэгістравалася 80 000 распрацоўшчыкаў, пры чым колькасць запытанняў праз API вырасла з 35 мільйонаў у першы квартал 2025 года да 186 мільйонаў у трэці.

Дызайн Mem0 ўмышлена просты. Яна знаходзіцца межы мадэлі і хранальніка вектараў і на кожны крок у розмове запускае двухэтапную процедуру:

1. Экстракцыя. Пасляднія абмены межу корыстувальнікам і асістэнтам, а таксама пакантэкст, пераходзяць да экстрактора LLM, які прымае рашэння ўбачваць патрэбныя факты. Тут таксама выконуецца стысненне даных.

Апдэйт. Для кожнага кандыдата Mem0 выкарыстоўвае найболей супадзячыя зберажаныя «памяці» і прасіць мадэль, за дапамой паведамлення пра выкарыстоўванне інструмента, выбраць адпаведна ADD (новы факт), UPDATE (дадаць інфармацыю да вялікі ўжо існуючага факта), DELETE (кандыдат суперасходзіцца з зберажаным фактам) або NOOP.

Што змянілася ў версіі 3

Алгорытм v3, які быў з’еднаны 14 кастрычніка 2026 года, зробіў Mem0 стандартным выборам. Тры перэскладзенні цалкам змянілі яго структуру:

• Выкарыстоўванне адной процэсу выкарыстоўвання толькі для дадавання новых фактов. У працоўванні замест таго, каб мадэль ў кожны раз выбірала адпаведна ADD, UPDATE, DELETE чы NOOP, што вымагае двух вызоў LLM і велікай колькасці токенав, v3 выкарыстоўвае адну процэсу выкарыстоўвання, якая выдае толькі новыя факты, і спрэцыявляе факты, створаныя агентам, нароўна з фактамі, указанымі корыстнікам. Удаленне дуплікатаў і з’яеднанне ентытаў выконваецца пасля, не на галоўнай сцэжкі апрацоўкі.

Адзынчасны адгэтуванне кантактаў. Тры методы працуюць паралельна і з’едынуюцца ў адну оцэнку: высока семантычная супадзімасць, падбор ключоў за прыемам BM25 і падбор аб’ектаў. Гэтыя методы прыстосоўваюцца да тых кантактаў, якія ёсць у момент запыту.

Спаяванне аб’ектаў заместо графа. Версія v3 цэлкам адмовілася ад варыянта на базе Neo4j. Аб’екты цяпер выкарыстоўваюцца за дапамогою spaCy, без удзеле LLM, і зберагаюцца ў супакоўкі вектараў {collection}_entities, дзе кожны радок мае спіс linked_memory_ids. Такая структура з центрам і спракамі залічвае большасць функцый графа, але за значна меньшыя вартасці выканання.

Разапісаныя рэзультаты:

• LoCoMo: 92,5 ў цэлым, з +29,6 па кантэксту часовых запытаў і +23,1 па кантэксту багатоэтапных запытаў у пораўнанні з выкарыстоўванням полныя інформацыі.

LongMemEval: адзюльна спэцыяфікацыя — 94,4; найвышэйшыя значэння: +53,6 за запыткі асістэнта ў адной сесіі, +42,1 за тэмпаральнае разумаванне і +16,7 за адкорэктаванне знаёмых.

BEAM пры 1 мільйоне і 10 мільйонах токэнаў: 64,1 і 48,6.

Косц токэнаў: апошнія — адпаведна 7 000 за кожны вызов для выкарыстоўвання дадзеных, тым час як для выкарыстоўвання всіх кантэкстаў — 25 000 і болей, тое ўсьго падцягвічна зніжэнне.

p95 латэнцыя: 1,44 секунды проты 17,12, тое ўсьго падцягвічна зніжэнне.

Порэванне з OpenAI Memory: 66,88% проты 52,90% па загальнай шкале оцэнкі, дзе LLM выступае як суддзя; абсалютная павышэння — 26%.

Выкарыстоўванне ў практыцы

У дасягліх документацыі па інтэграцыі Mem0 пераказаны 21 фрэймворк і платформа на мовах Python і TypeScript, сярод яых LangChain, LangGraph, LlamaIndex, CrewAI, AutoGen, Vercel AI SDK, AgentOps і Raycast, а таксама 20 бэкендаў для зберагчыцтва вектарных даных, укладзеных у Qdrant, Chroma, Weaviate, Pinecone і pgvector. Оін таксама можа работаць як сервер MCP, што дазволяе Claude Code, Cursor чы ўсім іншым кліентам, якія падтрымліваюць MCP, весты са ўсім кантакт. Голасавыя агенты ідуць як натуральны варыянт, пры чым існуюць спецыяльныя інтэграціі для ElevenLabs Conversational AI (асынхронныя інструменты addMemories і retrieveMemories праз вызыв функцый), LiveKit і Pipecat.

Самым відомым прыкладам настаўніка-кліента ёсць RevisionDojo — платформа для освяты, якая заменіла свой механізм персоналізаціі на аднойчынны кантэкст Mem0 і зафіксаваў сябе 40% зніжэння віток на токены, а таксама павышанне якасці персоналізаванага навчання. Mem0 стверджуе, што тыясячы команд, атрымліваючы стартапы і компаніі з спіску Fortune 500, вікорыстоўваюць яго у практычных цілях, але імена большасці вялікіх компаній не ўзнакомлены.

Letta: памяць як аператыўная сістэма віртуальнай памяці

Дзе Mem0 выполняе роль плагін-API, там Letta выступае як аператыўная сістэма. Яна была створана ў 2024 году ў лабараторыі Sky Computing Lab у Берклі як практычны наступнік даследжэння MemGPT (arXiv:2310.08560) і розглядае вікна кантэксту мадэлі як RAM, навмысна перэносячы інфармацыю ў яе і з яе. У яе ёсць тры чыста відзначаныя рэвеню:

• Кансольная памяць — гэта эквівалент RAM: маленькі блак, які завжды знаходзіцца ў кантэксце і храніць ідэнтычнасць, персану і стан актыўнага задачы.

Памяць адзычэння функцыонуе як кеш дыска: історыя размов, якая можа быць вышуканая, зберагачыцца за межамі вікна.

Памяць архіваў — гэта холадны зберагач: давялегахованы семантычныя факты, якіе агент сам запішае.

Тры падборы дызайну выдэляюць Letta сярод усіх іншых аналогаў.

Самастая памяць. Агент падтрымлівае свою сябеўскую памяць пад час выканання задач за дапамою такіх інструментаў, як core_memory_append, archival_memory_insert і memory_replace. У фоне не працюе околачны экстрактар. Мадэль на момент аналізу выбірае, што заслуговае на зберагачэнне.

Вычысленнія пад час сну. Можна прыўязаць адзінэчны агент, які працуе асінхронна, калі главны агент не працуе. Ён аналізуе історыю кантактаў, ствараныя файлы і следы работы засобаў, і стварае сконцентраваны блакат навучанага кантэксту, які главны агент завантажае ў свой наступны раунд. Агент пад час сну можа выкананыць іншую, зазвычай большую, мадэль чым главная, таму вы экономіцеце рэсурсы пад час обслужвання, а вітрачаеце больш пад час узгоджэння інформацыі. Гэта працоўна працоўна протыпад звычайнаму спосабу масштабавання аутарэгрэсіўных методаў, і гэта падражнае спосаб, як мозг пад час сну ператварае эпізодычныя спамяці на сэмантычныя.

Файл агента (.af). Letta выклікала у відкрытым доступе фармат серыялізацыі, які об’едначае сістэмны запрос, блакіты памяці, якія можна рэдагаваць, код і схемы засоба, а таксама настройкі модэлю ў одны файл. Такія файлы можна зберагаць як пункты контролю, стварваць для іх версіі і перамешчаць межы сумеснымі серэдаваннямаў, што ёсць найбліжэйшым аналагам зображэння Docker для агентаў з станам у гэтым поляце. Пад час экспорту таіны выкарыстоўвання агента вычысляюцца.

Letta Code і яго бал у Terminal-Bench

У канцы 2025 года Letta выклікала Letta Code — агента для кодавання у команднай лініі з відкрытым кодам, створанага на асаблівенай бібліятэцы SDK для агентаў з станам. Аргумент заключаецца у тым, што такі інструменты на аснове сесый, як Cursor, Aider чы Cline, кожны раз пачынаюць з нуля, тады як агент з станам накаплівае інформацыю пра структуру праекту, вашы прагантаванні, паказванні проблем і стандарты команды. Для кожнага праекту ёсць адзін агент, і яны існуюць так дык, калі існуе праект.

Тэкст працы ў тэстах-бенчмарках ёсць конкрэтным. У Terminal-Bench працы Letta Code займае першае месца сярод агентаў на адкрытым кодзе, незалежных ад конкрэтнага мадэлю, з загальным рэйтынгам 42,5% (чацвертае месца сярод усіх агентаў, і другое месца сярод агентаў, якія працуюць на базе Claude 4 Sonnet); код агента складае менш чым 200 ліній, не ўключаючы SDK. Агент можа перэключацца між Claude, GPT, Gemini, GLM і Kimi, пры чым памяць застаецца недзейна, як і было запланавана пад час стварэння сценарыю Agent File.

Zep і Graphiti: тэмпаральная графа знанняў

Mem0 і Letta абодва выкарыстоўваюць сховішча вектараў як основную базу. Zep (arXiv:2501.13956) выбірае працоўнае падходжэнне, якое рассматрывае памяць як тэмпаральную графу знанняў. Graphiti, які ўтварае яго адкрытыя элементы, базуецца на трох кашточках сабграфаў і бі-тэмпаральным модэле, які окрэма фіксуе час, калі ўзнікла певная інформацыя, і час, калі сістэма пра ёй даведалася.

• Падграф эпізода зберагае первасныя, высокадактычныя даны (паведамленні працэй, дакументы JSON, кадры транзакцый), кожны з якіх пазначаецца часам первачальнай падзеі. Ён ніколі не перапісываецца.
• Падграф сэмантычных аб’ектаў зберагае выкарыстоўваныя аб’екты і факты, якія ўкладзеныя як 1024-вымерныя вектары і з’ѐднаныя за дапамогою атрыбутаваных адносаў. Аб’екты маюць інтэрвалы чыстыя.
• Падграф спільнаты стварае кластэры вышэйшага парадку на слою аб’ектаў за дапамогою методу адкрыціі спільнаты на аднойчыну распрасцёрэнні атрыбутаў, які апдыяўляецца поступова, на вядомаць ад методу Leiden.

Бі-тэмпоральны модэль — гэта і частка, якую найважча копіюваць за дапамогою звычайнага хранілішча вектараў. Кожны рэглі ў Graphiti несе чатыры пазначкі часу:

t_valid    : when this fact started being true in the world
t_invalid  : when it stopped being true (open if still true)
t'_created : when the system first learned the fact
t'_expired : when the system superseded or removed it

Такій структуры дозволяе Zep з такой жаўносцю адпавядаць на запытанне «Што верыў агент праз два тыдні ўчора?» як і на запытанне «Што ў тэчасовасці?». Команды, якія сочаць за супакораннем правілаў, і всі, хто захопляецца ранейшымі рашэннямі агентаў, самэ гэтага і патрабуюць. Калі корыстнік зміняе работадавца, стары запіс не вычыраўваецца: паканальны факт пазначаецца значэнням t_invalid, додаецца новы, і оба застаюцца доступнымі для пошуку.

Рэзультаты тэстаў Zep: 94,8% у задачах глыбокага адзysкання інформацыі проты 93,4% у MemGPT; на тэстах LongMemEval точнасць вырашаецца на 18,5% вышэй, пры чым затрымка ў адпаведзе ўсьмохвацца прыбліжна на 90% ніжэй, чым у варыянце з повным кантэкстам. Незалежныя порэванні паказваюць, што метод адзysкання інформацыі у фармаце графа, уключаючы Graphiti, пра 35% пераважае за точнасцю над методам адзysкання інформацыі толькі на аснове вектароў у багатапрыступных рэляцыйных запытаннях.

Іншыя варыянты на адкрытым кодзе

Гэтыя тры варыянты не ўсе. Існуе ўжо калькі іншых рашэнняй, якія заслуговуюць на увагу.

Cognee

Cognee (прыблізна 12 000 звёзд на GitHub да серэды 2026 года) аднаёць граф, вектарны і рэляцыянны сховышчы пад адной API. Працэс прыёму даных адбываецца праз шасцяэтапную «cognify»-паіплайну, пасля чаго следуе самапрацоўны працэс «memify», які адскарбляе застарэлыя вузлы, перакалібруеўае весы рэшточакоў па частоце ўжывання і дадае выведзеныя факты. Доступна чатырнаццаць спосабаў адзыскання даных — ад простай сэмабільнасці вектараў да пераследжэння графа пад кераваннем логічных выводам, пры чым таксама ёсць MCP-сервер.

LangMem

SDK LangChain адказвае пра памяць у двух тэчках інтэграцыі: у сінхронных інструментах, якія агент выклікае пад кожны крок, і ў фоновым менеджэры, які асінхронна выкалывае, агрэгуе і усувае дублікаты. У яго ёсць першакласныя сэмантычныя, эпізодычныя і працэйныя хранілішчы, і ён ўсё толькі вядомы SDK, які працэйную памяць, такую як «калі корыстнік кажа “якомога шырэй”, падняць прыорытэт», спрыяе як асновную функцыю.

Memori

Memori (Memori Cloud, запусканы 2 марца 2026 года) зберагае памяць у SQLite або Postgres у замену на базу дадзеных тыпу вектар. Гэта дае вам паўную контроль над дадзеннямі без неабяжнасці стварання новай інфраструктуры, а праект стверджвае пра 80%–98% змену вартасці апрацоўкі дадзеных за рахунак вікорыстоўвання толькі рэлевантнага кантэксту, выкалыванага за дапамогою SQL. Одна лінія коду на Python дазволяе дадаць стойкую памяць агенту OpenAI, Anthropic або LangChain.

A-MEM

A-MEM (NeurIPS 2025, arXiv:2502.12110) ператварае кожную памяць у атомны знак з стылам Zettelkasten з структураванымі атрыбутамі. Новы знак налучваецца да старэйшых і апдэйтуе ўсія іх атрыбуты з учыцьцем новай інфармацыі, тады сетка продовжае развівацца. Цэя архітэктура ў літэратурэ з доследжэнняў являецца найбольш «жывой», і ёй вдаёцца перамагаць найсучаснейшыя рашэнняя ў тэстах LoCoMo на шасці базовых мадэлях.

HippoRAG 2

HippoRAG 2 (ICML 2025, arXiv:2502.14802) выдлівае тройкі з відкрытых графаў знанняя з абзацоў і налучвае сінонімы, ствараючы тое, што автары называюць штучным індэксам гіпокампа. Пад час запіту ён выкананы Personalized PageRank, які распространяецца з початковых вузлаў, імітуючы працэс дапрацоўкі патэранаў гіпокампа. Ён паказвае 7% прырост у карыстнасці асоцыяцыйнай памяці працоўнае над найсільнейшымі ўплотненымі базовымі мадэлямі, і ён все чашчэ выконвае ролю шару адзысквання інфармацыі ў структурах у стыле Zep і Cognee.

MemoryOS

MemoryOS (EMNLP 2025 Oral, arXiv:2506.06326) ўособліва версія даследжэння Letta. Ён формалізуе тры рангі персональнай памяці: краткакалендарную, срочакалендарную і давнекалендарную, з чысткімі правіламі пераходу: ад краткакалендарной да срочакалендарной — па прынцыпе «першый увайшоў, першы выйшоў», ад срочакалендарной да давнекалендарной — па прынцыпе сегментаванага арганізавання сторунак. Чатыры модулі (зберагчык, апдэйтаванне, выкарыстоўванне, генераванне) працуюць у всіх рангах. На базе LoCoMo з GPT-4o-mini ён паказвае +48,36% F1 і +46,18% BLEU-1, што ўзначна больш за рэзультаты будзь-каго іншага артыкула 2025 года на гэтым крытэрыі. Можна спакуяцца, што срочакалендарная сістэма сторунак будзе адключана да прыладоў распрацоўшчыкаў у 2026 году.

MemRL

MemRL (студзень 2026 г.) — гэта найболей новыя напраменнае, якія варта сочыць. У ёй памэц рассматрываецца як субстрат для навчання з падкрэпленнем. Кожная взаімадзея зазначаецца як трыйчлен (Намерэнне, Дазвічайнае становішча, Корыстнае значэнне), дзе корыстнае значэнне — гэта выучана Q-значэння, якая паказвае, насколькі добра гэтае дазвічайнае становішча служыла для адпаведных намерэнняў. Двухфазны працэс выкарыстоўвання памяці адкрывае найболей корыстныя пакульні дазвічайныя становішчы для выпалоўванага завадзя, а Q-значэнняя апдыруюцца праз выкананне агента. Памэц агента стае «розумнейшай», а не проста большай, і гэта ўсё, што можна досягнуць у навчанні на адоўжэнне без змены ваг мадэлі.

SuperLocalMemory

SuperLocalMemory (arXiv:2603.02240) дзейніць у працоўным напрамку, тыяму з воблака на прыстрой. Што стосуецца гэтай сістэмы з мнагацелевымі агентамі, якая прыватнаста ў першую чаргу, яна базуецца на SQLite з функцыяй пошуку цэлага тэксту FTS5, кластэруе свой граф знанняў за дапамогою метода Leiden, коордынуе дзейнаць праз шар, які керуецца запускаемымі змаганнямі, з адзначэннем паходжання кожнага агента, і заходзіцца ад падмешчання некальканосных даных за дапамогою методу оцэнкі доверлівасці на аднойчынных прыкладах, пры чым не выкарыстоўваецца хмара і няма вызоваў LLM у процэсе адзысквання даных. Разам з шырэйшай стакавой SQLite-AI, якая аб’еднвае працэсы інферэнса, адзысквання даных, каштавання, аналізу і сінхронізацыі ў аднам файле, гэта ёсць надзейны варыянт для захавання прыватнасці у персональных агентах, рэгулюемых задачах і рэалізацыях на перыферыйных прыстроях.

AgeMem

AgeMem (2026) расшырывае чатыры операцыі апдэйта Mem0 да шасця інструментаў: ADD, UPDATE, DELETE, RETRIEVE, SUMMARY і FILTER; кроме таго ён прыўязвае правілы TTL, якія змушваюць старыя “памяці” выгораць. Яго мета — тое, чаму галузь пачала прыдаваць значэння толькі ў гэты год: хранальнік, які постаўляецца толькі ў рост, ў канечнасці шкодзіць самам сабе.

Успяхі гіперскейлераў

Найбольшыя прыбылі 2026 года — гэта тое, што прадаўцы хмарных сервісаў перасталі проста спаглядаць з боку. Усе трое галоўных прадаўцаў выпусцілі продукты на аснове памяці за прыблізна шасць месцаў.

AWS Bedrock AgentCore Memory

AgentCore Memory быў прэдставлены на AWS Summit New York у 2025 году і постаўляецца ў удосконаўанай версіі працуючы 2026 год: гэта продактызаваная версія ад Amazon:

• Короткатэрмінная памяць фіксуе стан пад час кожнага крока ў сесіі.

Довгострокова памяць автоматычна вілучаў прывілеі корыстувача, ключовыя факты і падсумкі сеансу між рознымі сеансамі.

Структурованы эпізоды (будуць доступныя у 2026 годзе) фіксуюць кантэкст, логіку, дзеяння і рэзультаты кожнага эпізоду, ўнаследке чаго агенты можаць вучыцца на основе пакульшых траекторый, а не толькі на основе фактов.

Метаданы довгастроковай памяці (травень 2026 годзе) дазваляюць ствараць тэгі, фільтрацыю і пошук за дапамогою структурованых атрыбутаў падчас семантычнага пошуку.

Уплывныя паведамленні (беразень 2026 годзе) усуваюць патрэбу у рэгулярнай перацёке на змяны в памяці.

Кераваныя сховішча сеансу (прэв’ю беразня 2026 годзе) зберагаюць стан файловай сістэмы, калі агент зупіняецца чы розпачынае свою работу занова.

Цэна за аператыўныя операцыі складае $0,75 за 1 000 запісей, пры чым ўключана такса за вычысленні. AgentCore Runtime дадае допаможную плату у розмярэ $0,0895 за календарную гадзіну на vCPU і $0,00945 за календарную гадзіну на GB; час, прабачаны на чаканне I/O, не платаецца, адносна таго, што завантажэнняе агента пасвячае 30%–70% часу на чаканне.

Памяць з дапамогай Microsoft Foundry, прызначаная для конкрэтных корыстувачаў

Слою стойкай памяці Microsoft Foundry, пра які было аанунсавана, што ён будзе доступны для загальнага вжытку на Build 2026, характэрызуецца іншай структурой:

• Раздзелэванне памяці па корыстувачах. Памяць кожнага корыстувача знаходзіцца ў сваёй сабеіншай контэйнеры Azure Cosmos DB, раздзеленай па ідэнтыфікаторах, таму кантэксты застаюцца адзінаковымі і карыстуецца ўтрымваюцца по аднаму.
• Адаптаваныя, давялеглія сігналы — такія як прыямошчанні, паўтараючыяся намеры і стасумаваныя рэзультаты, а не сырые транскрыпцыі. Транскрыпцыя застаецца ў хранільнікі размов на стороне сервера, а толькі стыснутыя сігналы стаюць частынай давялеглай памяці.
• DevUI — локальны дэбагер на базе прыгледчыка, які дазволяе спостэрагаць за выкананнем агента, чытанням і запісам памяці, а таксама за поведэннем оркестрацыі ў рэальны час.
• Інструменты ацэнкі з аналізам, тэставаннем па павторным запуску і аўтаматызаваным пераглядам шляхоў прыняцця рашэнняў агента; гэта важна, таму што памяць, прызначаная для конкрэтнага корыстніка, прыносіць спецыфічныя для яго способы абыходу з проблемамі.

Цель ясная: Microsoft раздзеляе кантэкст сесіі, які існуе короткае час, і давялеглую памяць корыстніка на рэвэрсе хранення, тым ухіляючыся ад сповольнення, якое выступае, калі адна хранільніка мусіць выканаваць оба завадзі.

Памяць кераваных агентаў Anthropic Claude

Anthropic прагнуе паказваць прыклад самага большога колькасці выпускаў у гадзе. Функцыя памяці для Claude Managed Agents была адкрывана ў публічнай бета-версіі 23 кастрычніка 2026 года. Храненне дакументаў адбываецца у вачох файловай сістэмы, якія агент, або вы праз API чы рэжым кансалу Claude, можа экспортаваць, рэдагаваць і карыстацца.

Рэзультаты тых, хто першыя адначасова застаўляюць гэтую тэхналогію, ёсць нешта незвычайна конкрэтныя:

• Rakuten выкарыстоўвае памяць, каб агенты, якія выкананяюць задачы праўільна, не павтаралі паказаных раней адмылак, і заявляе пра 97% змену колькасці бяглых памылак, 27% змену расходаў і 34% змену часу адпаведзення, усё гэта в межах працовай зоны. Гэты показнік ёсць найчашчэй цытаваным у 2026 годзе прыкладам таго, як памяць дапамагае зарабіць.
• Netflix пераносіць кантэкст межаў сесыяў, уключаючы інформацыю з ранейшых кансэртаў і паследнія парадкі людзкага рэвізора падчас размовы, што заменяе ручную адмену запрошэнняў.

Wisedocs адмініструея перакананне дакументаў на кансольных агентах і зафіксаваў 30% быстрэйшыя часы пераканання, адтолькі што запам’ятоввае прычыны, якія павтараюцца ў пэўных шаблонах, чым агент можа адмовіцца ад зайвага паўторнага аналізу.

Ando выкарыстоўвае запам’ятованне між сесіямі ў фінансовым рабочым прайсепту, які складаецца з многа крокаў.

Anthropic таксама паказаў доследні варыянт функцыі пад назвай “dreaming” — працэс афлайн-расагляду, пад час якога кансольныя агенты пераглядаюць рэзультаты пакананняў з працэсу, каб выявіць важлівыя урокі. Гэта тая ж ідэя, што і “Letta’s sleep-time compute”, але рэалізаваная у масштабах гіперскейлераў.

Тое, што з’еднае гэтыя тры рашынкавання, — гэта тое, што памяць перэстала быць выборам SDK і стала функцыяй платформы. Гэта змінюе пазіцыю постачальнікаў адкрытага кода, адколі Mem0, Letta і Zep цяпер конкуруюць з хмарай, якую ужо вікорыстоўвае кожны кліент. Іхні аргументы спрамованы на перэноснасць (Agent File), спеціялізацыю (бі-тэмпоральная мадэль Zep) і цэну (пропозыцыя Memori з вікорыстанням SQL).

Памяць, якая бачыць і чуе

Усі вышэўказаныя сістэмы прыпускаюць, што памяць — гэта тэкст. У 2026 году гэты прыпуск быў спроставлен, і ў другай палове года памяць у віглядзе зяўроцэў, відэа і голасу стала самастоятэльным напрамкам доследжэнняў.

M3-Agent з праекта ByteDance Seed (arXiv:2508.09736) ўважаецца лідарычным прыкладам дызайну. Ён прыймае жывыя візуальныя і аудыяварыя даны і стварае мультымадальную графіку памяці, адаснованую на элементах: кожна людзь, об’ект чы ўстанова становіцца вузлом, а агент прыяўязоўвае ID-ы обліччаў і голасаў да таго ж вузла. Гэта дазволяе адпавядаць на такія запытанні, як "Што сказаў чалавек праз Сару пра праект мінулыя тыдзень?", чаго не можа зрабіць магазін, побудаваны толькі на тэксце. Агент працуе двума процэсамі: цыкл запамятоввання постаўна выкачвае з аудыо- і відэоданых стрымуваннях облічча, голасы і семантычныя факты ў графіку, а окрэмы цыкл керування аналізуе графіку, каб адпавясці на запытанні.

Ёнколі тэставаць гэты клас сістэм, команда выдала M3-Bench — з 100 нова запісаных відэа з точкі зору праца і 929 відэа з Інтарнету, якія практыкуюць разныя сцэнары, а таксама пары пытання-адказ прыменяюцься для аналізу людскага разумення, выкарыстоўвання загальных знаёмасцей і межмодальнага разумавання. M3-Agent перамагае найсільнейшыя базовыя мадэлі для обработкі візуальных і мовных дадзеных (Gemini 1.5 Pro і GPT-4o), праграмаваючы перадзеі на 6,7, 7,7 і 5,3 балоў адпаведна на тэстах M3-Bench-robot, M3-Bench-web і VideoMME-long.

Спадзяюцца новыя даследжэння. M2A праставляе сабою гібрыдную памяць двухслойнага тыпу для персоналізаванай межмодальной взаімаўпрацы. VideoAgent зберагае апісанні загальных падзей разам з станамі аб’ектаў, якія выкарыстоўваюцца для назірання, а WorldMM шары зберагаюць эпізодычную, семантычную і візуальную памяць у відэастрэмах. Mem-Gallery (arXiv:2601.03515) — гэта тэст, створаны для аналізу таго, як памяць зберагаецца, арганізуецца і развіваецца працэсамі дзейнародных межмодальных кансэрвацый.

Практычныя наследкі здаюцца простымі. Веб-камера, спяльны экран, лінія для голасу або документ, заполнены цыфрамі, даюць агенту сігнал пра тое, што магазін, які існуе толькі у віглядзе тэксту, проста ўтрачае свою эфектыўнасць. Чырэз год або такі час велікія SDK-ы, як правіло, будуць запрошваць кампаненты для стварэння багатомодальных структур памяці, а граф, заснованы на ентытах у M3-Agent, выглядае як найбяспечнейшы варыянт для стварэння шаблона.

Што меркуюць бенчмаркі

Чатыры бенчмаркі служаюць аднаковым крэтыям для большасці пораўнанняў.

• LongMemEval (NeurIPS 2024, arXiv:2410.10813) абарачвае 500 запытанняў у пяць катэгорый, якія размешчаны ў історых чатаванняў розныя па дужыне: прыблізна 115 тысяч токэнаў для варыянта S і адпрацоўка аж 1,5 мільйона токэнаў у 500 сесіях для варыянта M. Галоўны вынак ў яго даследжэнні — гутавыя асістэнты втрачаюць 30% точнасці ў прымаўленні інформацыі з межасесных чатаванняў, а ў найскладнейшыя катэгорыі — аж 60%.

LoCoMo (ACL 2024) спецыязіруецца на дзейнахах длігага часу з складнымі запытаннямі, які залежаць ад часу і маюць кальцыянае паветра. Mem0 паказвае +29,6 пунктав у частцы, якая стосуецца часу, і +23,1 пунктав у частцы кальцыянаога паветра, тады як MemoryOS паказвае +48,36% F1 у порываў з базовымі версіямі GPT-4o-mini.

Deep Memory Retrieval выйшаў з працы MemGPT. Zep паказвае 94,8% у порываў з 93,4% MemGPT.

M3-Bench — гэта першы серйозны бенчмарк для мультымадальнай дзейнахаў длігага часу, які выкарыстоўвае відэа робатаў і Інтарнету. M3-Agent прыграе на 5-8 пунктав Gemini 1.5 Pro і GPT-4o.

Некалькі новейшых методаў таксама лягаюць у вагу. BEAM пераглядае памэц на 1 мільйон і 10 мільйона токенаў, пры чым Mem0 v3 параджае з 64,1 і 48,6. Context-Bench ад Letta (2026) ацэнюе можычнасці мадэляў у стварэнні кантэксту, тыям самым выяўляючы, чы розумее мадэль, што і калі трэба падставіць у свой сабестоячы кантэкст. MemoryAgentBench (ICLR 2026, arXiv:2507.05257) ўважаецца найважлівейшым новым методам. Яго прыемка заключаецца у адноразовай загрузцы дакумента, пасля чаго яго неадкладна запітваюць раз за разам: дзялёныя на часткі з 512 або 4 096 токенаў дужыя тэксты адправляюцца як частка багатоэтапнай абмены. Два спецыяльна створаныя наборы дадзеных, EventQA і FactConsolidation, пераканальваюцца ў правільнасці выкарыстоўвання інформацыі, можычнасцях навучэння пад час тэстаў і адмахванні суперсучасных фактов. MemBench (arXiv:2506.21605) дагаўляе ўцёгаву, ацэнюючы агентаў па эфектывнасці, канэфіцыўтнасці і ўместнасці, а таксама окрэма оцінюючы фактычную і рэфлексійную памэць, а таксама участва пры рашэннях проты простага спаглядання. До канца 2026 года гэтыя два методы, верагодна, стануць стандартамі.

< p>Гэты спосаб з’ясаваць, каму насправды служыць сістэма памяці, якую роль выпало Лонгмемэвал у чат-сервісах у 2025 годзе. < p>Увага: кожны віробнік аналізуе на сваёй конфігурацыі, якая найкрашча падходзіць да яго архітэктуры, таму крашчэ чытаць падробныя даны за катэгорыямі, а не толькі загальныя творы. У працэйных умовах вартасць токенав і затрымка мают такое ж значэнне, як і точнасць. Перэгляд усіх процэсаў — граматычна базовая практыка, і кожны шар памяці, які не можа перавыплніць яго па обох показначальных, павінен сораміцца. Да 2026 году всі вядомыя сістэмы перасілі гэты рубікон. < h2>Як поручваюць дызайны < p>Аналіз за атрыбутамі:

• Субстрат. Mem0 выкарыстоўвае вектарны склад з лінкамі тыпу «хаб-спок». Letta выкарыстоўвае іерархію вяртабальнай памяці з разнымі рангамі, Zep — тэмпаральную граф-структуру на Neo4j, Cognee — аб’еднаны граф, вектарны і рэляцыйны склады, а таксама Memori SQL. AgentCore керуецца ўнутры Bedrock, Microsoft Foundry выкарыстоўвае Cosmos DB з партыціяваннем па корыстніках, а Managed Agents ад Anthropic выкарыстоўваюць файлавую сістэму.
• Тыпы памяці, якія падтрымляюцца. Mem0 падтрымляе семантычную памяць і ентыты. Letta падтрымляе ўсе чатыры тыпы CoALA. Zep керуе эпізодычной, тэмпарально-семантычной і камюнітатный памяцью. LangMem мае семантычны, эпізодычны і процедурны склады; Memori — семантычную і эпізодычную памяць у фармаце SQL; AgentCore — структураваныя эпізоды; а Foundry падтрымляе толькі сігналы з довгай трываласцю існавання.

Запісваць шлях. Mem0 v3 выкарыстоўвае адчыненне за адной парады з пасляэтапным усуненнем дуплікатаў. Letta рэдагуе памяць унутры ціклу і кансалідавае даны пад час перыяду спячкі. Zep запісвае бі-тэмпоральныя канцы, AgentCore аб’еднвае працэс адчынення і інферэнсу ў сваю цэну, а Foundry куратуе сігналы, пры чым неапдэтаваны тэкст застаецца ў хранілішчы размов.

Тэмпоральная логіка. Mem0 зберагае метаданы з часовымі пазначкамі. Letta мае архівацыйныя часовыя пазначкі плюс апрацоўку пад час перыяду спячкі. Zep ўжо з самага початку ёсць бі-тэмпоральным і лідыруе ў галузі. AgentCore пазначае давгастраўную памяць метаданамі, а Foundry неявна керуе часам праз тыпы сігналаў.

Сігналы для адчынення. Mem0 спаўнюе семантычныя, BM25 і крэдыты аб’ектаў. Zep спаўнюе графавую праходзьбу, вектары, BM25 і час. Cognee праставляе 14 рэжымаў, а Memori выкарыстоўвае запіты SQL.

Мобільна прыемнасць. Letta падтрымлеў відкрыты стандарт .af, а Anthropic дазваляе экспорт файловай сістэмы. Іншыя прылады працююць толькі з данымі, спецыфічнымі для паводлівых віробнікаў.

Найбольш прыдатны варыянт. Mem0 падходзіць для персаналізаціі, голасовых агентаў і спрабоцкіх дапытак. Letta падходзіць для агентаў, якія працуюць дзеўяльна і маюць структуру, падобную кансольным аператыўным сістэмам, а таксама для агентаў для програмавання. Zep назначаны для падпрыемстваў, якія падлягаюць рэгулюванню і патрабуюць аўдыту, для каманд з дакладных раследаванняў і развіцця Cognee, якія хочуць кантролю над графамі, а таксама для малых каманд Memori, якія вярнуцца да SQL. AgentCore падходзіць для паводлівых AWS, Foundry — для паводлівых Microsoft, а Claude Managed Agents — для тых, хто вялікі час вжывае платформу Claude.

Прагматычныя падтверджэнні для заглавняў. Mem0: 94,4 па шкале LongMemEval. Zep: 94,8% па DMR. MemoryOS: +48,36% F1 па LoCoMo. Letta Code: 42,5% па Terminal-Bench — першы сярод агентаў на адкрытым кодзе. HippoRAG 2: +7% па показніку асоцыятывай памяці. Anthropic з Rakuten: на 97% меншых бягаў памылак у першай спробе, на 27% ніжэйшыя віткі і на 34% меншая затрымка. M3-Agent: на 5–8 пунктав больш за базовыя рашэнні для візуальна-мовных задач па мультымадальных тэстах.

Калі памяць стала атакаваным аспектам

У мае 2026 года памяць агента перастала быць толькі пытаннем точнасці і віткоў і стала пытаннем безпекі.

Сігналы апавярэння з’явіліся ў пачатку года. У люты 2026 году Microsoft Security пісала пра „AI Recommendation Poisoning“ — практыку маніпуляцыі памяццю асістэнта зарады карысту, — а Radware пасля гэтага прэдставіла прыклад такой тэхнікі пад назвай ZombieAgent: файл з пасткай у электранявішчы встановляе певны элемент у памяць агента ChatGPT, які з’ўязаны з поштовым скрынькай жэртвы, і пасля кожной взаімадзеяння выклікае гэты заражаны элемент, што прыводзіць да вытэкання дакументаў праз URL-кодаваныя боковы каналы. У аднам з задокументаваных корпоратыўных сцэнарыяў агент для фінансавага аналізу, які быў захоплены, прыняў заражаны проміжны рэзультат і запусціў працэс, які пераказаў кошты без дазволу, прычым ніхто не мог чакаць і пераглядаць гэты працэс.

Заражання памяці — гэта не тое ж сама, што звычайная ін’екцыя запросу, і ў гэтым тры прычыны:

• Стойкасць. Введэнне спецыяльных даных парадуруе адзін рэспанс. Заражаная памяць парадуруе кожны наступны рэспанс, які выкарыстоўвае афектаваны ключ.
• Ёй лёгкая маскаванне. Заражаны элемент выглядае абсалютна як справжній, зберажаны кантэкст.
• Аўтонамія. Агенты дзейнуюць на памяці праз вызовы інструментаў, таму заражаная памяць можа спрычыніць рэальныя наследкі без удзеле чалавека.

Захопнікі быстра адгукаліся. OWASP уключыла проблему заражання памяці ў свой спіс „Топ-10 для агентных прыемоў“ 2026 года пад назвай ASI06 (Заражання памяці і кантэксту) і у серэдзіне 2026 года выдала прыкладная рэалізацыю Agent Memory Guard:

• Базовыя параметры SHA-256 на незменных ключах памяці, такіх як identity.user_id, тады будзь-якіе несанкціонаваныя змены будуць фіксаваны.

Палітры безпекі YAML, які прыяносуюць выкрычанні (прабавы ін’екцый, вытэк суперсекрэтных дадзей, змены захішчаных кляч, шырокія змены, анамаліі размару) да дзеянняў: allow, redact, quarantine або block.

План развіцці да версіі v0.4.0 (3-й квартал 2026 года), які включае выкрычанне анамалій на аднойчыне з AI, захаванне дадзей у вектарных сховішчах і панелю жывага монітарынгу.

Разумныя стандарты для будзь-якага размішчэння памяці ў гэты год включаюць тайм-коды знеактувацыі, перыяды чыннасці, фіксацію паводзкаў кожнай змены, крыптаграфічныя параметры для ключоў айдэнтытэта, рэгулярныя тэсты на атакі і крок людскай затверджэння пры кожным выкарыстоўванні інструмента, які працуе з памяцю і стосуецца грошэй або суперсекрэтных дадзей. Статыя пра атакі і захопненняя ўвесь час доступна на arXiv:2601.05504, а пакет Microsoft Agent Governance Toolkit цяпер включае спецыяльныя заходы ASI06 для зменшэння рызыкаў.

Проблемы, які ніхто не распрацаваў

Нават з наявнасцю західных мераў, ёшча багато аспектаў застаецца нераскрытымі:

• Старыя даны ў памяці. Тое, што сёння ёсць правдай, завтра можа стаць хыбам, а сховішчы з можласцю толькі дадавання новых даных паступова выходзяць з ладу. Рашэннем ёсць вікорыстоўванне TTL і інтэрвалаў чыннасці, хоця яны ўсё ж не ёсць стандартам.
• Ідэнтыфікацыя межа сесіямі. Выбар, чы розныя сесіі належаць той самай адзбыранню чалавекоў чы праектам, ёсць найскладнейшым нераспрацаваным падзялам проблемы, особліва ў кантэксце мнагакорыстаннічных простараў Mem0 з тыячамі ідэнтыфікатораў.
• Межа колькасці выкарыстоўваных дадзеных. Точнасць досягае максімуму, калі выкарыстоўваецца тры-пяць фрагментаў памяці, а потым зніжваецца. Спалучэнне вектарных, ключавых, ентытных і паказанняў свежасці дадзеных ёсць стандартам у практычным выкарыстоўванні, і самэ гэта стало прычыной таго, што Mem0 v3 падтрымлівае кальку разных сігналаў.

Бухгалтарскі расчыты. Фраза «Памяц захоўвае токены» ўтрымываецца толькі тады, калі выкарыстоўванне LLM для вычыслення і апдэйту коштае менш, чым токены кантэксту, якія можна заўсёды утрымаць. Для агентаў з нізкым об’ёмам работы матэматычныя расчыты інодзе даюць працоўныя рэзультаты, таму ўсёрасованы показнік — гэта кошт на адны успешны рэзультат.

Неправільная класыфікацыя іерархіі. Доследжэнне xMemory з 2026 года паказала, што 44,91% памятак перэкласіваюцца между роўнямі іерархіі ў працюючый сістэме, што свідчыць пра неэфектывнасць плоскай чы адноразовай класыфікацыі. Сістэмы, якія перэкласіваюць памятакі, такія як A-MEM, memify ад Cognee, агенты Letta для часу сну і серэднія механізмы пагінацыі MemoryOS, ўжо ёсць першымі паводлівымі рашэннямі.

Слабая адаптацыя. LongMemEval і LoCoMo ўсё ж маюць солідныя характарыстыкі, але працуюць толькі з тэкстам і адпрацоўваюць толькі дыялогі. M3-Bench і Mem-Gallery распрастраńваюцца на мультымадальныя фарматы, тады як Context-Bench і Terminal-Bench спрамованы на агентаў, якія вікорыстоўваюць інструменты. Ніхто ўсё ўсё не створыў жаднага тэсту для аблікування всіх характарыстык агентаў.

Затуманеныя межы між гіперскейлерамі і адкрытым кодам. Цыфра 97% ад Rakuten для Anthropic Managed Agents стварае тыроць на кожнага віробніка адкрытага коду, каб той паказаў адпоўнайна адпоўнную эфектывасць.

Выбір залежна ад сітуацыі

Практычны памятак для 2026 года:

• Персаналізацыя для спожыцелаў і голасавыя агенты: Mem0. Ён шырока распростраńваецца дзякуючы готовым SDK-ам для 13 фрэймворкаў, 20 баз дадзеных вектараў і 3 платформ голасу.
• Довготрывалі персональні агенты і трэнеры: Letta. Іерархія операційноі сістэмі і час сну легко адаптуюцца під багатотыжневі задачы.
• Кодувальні агенты на прыватній базі коду: Letta Code – з однім становім агентом на праект.
• Компаніі, якім потрыбен аўдыт: Zep з Graphiti. Багаточасова мадэль ёсць ключовою перэвагою.
• Команды з досліджэннямі і розробкою, які хочуць керування графамі: Cognee або HippoRAG 2.
• Команды, які ужо вікорыстовуюць LangGraph: LangMem – з найніжчою вартысцю інтэграціі і едынім процедурнім памяццю першого класу.
• Команды, які просто хочуць SQL: Memori.
• Компаніі AWS: Bedrock AgentCore Memory – з мадэллю оплаты за вікорыстання, постыйно доступнімі версіямі і сповішчэннямі у рэжымі стрымінгу.
• Магазіні Microsoft: памяць у межах корыстувацького дыяпазону Azure AI Foundry з роздыленням на частыні за допомогою Cosmos DB, функція відладкі DevUI і вбудовані інструменты оцінкі.
• Команды на платформі Claude: памяць керованіх агентаў Claude, якая можа зберыгатыся у вігляды файлів і мае найкрашчый рэйтынг задоволеносты кліентыв у 2026 році.
• Багатомодальні агенты з функціямі розпізнавання зображэнь чы голосу: мадэль M3-Agent, якая вікорыстовуе граф, орыентованій на об’екты, для поеднання ідэнтыфікаторыв обліч і голосу. Спеціального SDK для віробнічого вікорыстання покі што не існуе, тому яго потрыбно створыты самостыйно.
• Праца з вісокім рывнем довіры у сферах права, охороні здоров’я чы фінансів: Zep або Cognee разом із політыкамі OWASP Agent Memory Guard, таймерамі відалення даных (TTL) і журналом аўдыту. Ніколі не вікорыстовуваты сховішча з можлівісцю лішэ додавання даных.

Куды рухатымецца памяць у будучым

Калі подывітыся на перыод до кінця 2026 року і 2027 рык, відыляюцца кілька тэндэнцій.

• Памяць стае часткай архітэктуры. Engram у DeepSeek V4 ёсць ключовым показнікам: алгорытм адгэтування на асоцыяцыях, які дазволяе выкарыстоўваць O(1) час адчынення даных, працюе з 1 мільйонам токенав і коштае прыблізна столькі ж, сколькі 128K токенав, а таксама досягае 97% рэзультатаў у тэстах тыпу „жылка сярод сена“ у такім масштабе. Двухканальны дызайн аддзеляе выкарыстоўванне статычных знанняў ад вычыслаў у дынамічнай рабочай памяці — гэта найбліжэйшы спосаб, якім хоць які з сучасных модэляў падходзіць да памяці як да архітэктурнага элемента, а не як да тэхнічнага труку для працы з кантэкстам.

Памяць і стаўкаванне знанняй супрацоўваюць разам. У даследжэнні Meta пад назвай Sparse Memory Finetuning (arXiv:2510.15103) было выявлена, што навчанне новых фактов за дапамогою слоёў памяці прызводзіць да зніжэння карыстнасці задачы на 11%, тады як пры повным файнцюнінгу — на 89%, а пры вікорыстанні метода LoRA — на 71%. Гэта усувае разліку межа ад зовнішняго слоя памяці і внутрашняй памяці з параметрамі. Мадэлі новага паколення ў 2027 годзе можу мяць вбудованыя слоі розрэджанай памяці, якія служыць шляхам з магазіна памяці агента да ваг мадэлі з мінімальным выцерпанням інформацыі.

Памяць як аднойчынка для гэйм-планавання. Сістэма MemRL, якая фіксуе намеры, досвід і корыстнасць, а таксама актуалізуе значэння Q на аднойчынку з рэзультатамі, ператварае працэс вярнення інформацыі на сігнал для паспрабоўкі падбору лепшага гэйм-плану. SDK-ы для практычнага вікорыстання, вероятна, запрацуюць іх у канцы 2026 годзе пад назвамі на кшталт «вярнення інформацыі з урахоўваннем рэзультатаў».

Адзыявленне і памяць аб’еднваюцца. HippoRAG 2, A-MEM, MemoryOS і Mem0’s entity-linked store адзін у адзін спрацоўваюць з історыяй агента як з ўсём тэкстам, распакаваным у граф. Будучыя рашэнні будуць адкрываць адзіны API для адзыявлення інфармацыі ў дакументах і памяці агента, выкарыстоўваючы спакульнае гібрыднае сяродавышча.

Кансалідацыя памяці пад час сну стае стандартам. Агенты Letta, якія працуюць пад час сну, сістэмы Anthropic для мроў і segmented paging у MemoryOS раздзеляюць адну ідэю: офлайн-аналіз, які ператварае тымчасовыя эпізодычныя следы на стойкія семантычныя знанні. Можна спакульваць, што канцэптуальна кожная з ведучых платформ выклічы сваю версію такога рашэння да канца 2026 года.

Мультымадальная памяць у SDK-ах. Тэсты на працэсаўнасць, такія як Mem-Gallery і M3-Bench, спрыяюць развіццю ў гэтым напрамку. Граф M3-Agent — гэта дызайн, які з наявнасцю шансаў будзе выкарыстоўвацца ў Mem0, Letta або Zep да 2027 года.

Управленьне ператвараецца ў рэгуляванне. Пасля праектаў ZombieAgent і ASI06 логія аўдыту, правілы зберагчэння даных і прынцыпы савесныга забывання стануць неабходнасцямі для такіх продуктав, а аўдыторы, якія працуюць па стандартам SOC 2 і ISO 42001, начнуць безпасова спытваць пра правілы «гіяены памяці».

Процедурная памяць становіцца ключовай. Большая частка дзеянняў да гэтага часу была семантычнаяй і эпізодычной. Сістэма процедурнага зберагчэння даных LangMem, эвалюючыя зьязначэння A-MEM, самаедытаваныя базы даных Letta і тэхналогія снавання Anthropic усе гледзяць на большую мэту: агенты, якіе можаць перазьменяваць свою супэльную дзеяльнасць, а не толькі свае факты.

Раздольна памяць між агентамі. Команды агентаў, які працуюць як рою, патрабуе ўтварэння базы дадзеных, яку кожны член групы можа чытаць і запісваць, адколі прыватныя базы дадзеных кожнага агента не падходзяць. Патрэбны дошкі з протакаламі перадачы дадзеных, а таксама чыстая разліка межу памятчуком у рэальны час для тэкушчай екзекуцыі і стойкай памятчуком, якая застаецца між екзекуцыямі. API-і Fil0 для калькуляцыі зусіль, спяльная архівацыйная база дадзеных Letta, можлівасць пераносу файлаў агента і дакладнія даследжэння, такія як SRMT для падбору шляхоў у мнагаагентных сістэмах, ёсць першыя крокі ў гэтым напрамку.

Адміністрацыя прыватной, локальной памяці. SuperLocalMemory і SQLite-AI практычна альтэрнатыва дызайнам, якія выключна базуюцца на хмарах: SQLite, FTS5, методы оцэнкі доверлівасці на адмоўе Байеса і тэхніка кластэрування Лейдэна — усё гэта працуе на самым прыстрое, без вікорыстання алгорытмаў LLM у процэсе пошуку. Apple, Google і Microsoft працуюць над сістэмамі запуску агентоў на рэвэле операцыйных сістэм, якія перш за ўсё зберагаюць памяць локальна, а дызайны, якія ўжо базуюцца на SQL, такія як Memori і канвеі экстракцыі у стыле Mem0, маюць быць дадзеныя ў мобільныя SDK-ы да канца 2026 года.

Інжынер памяці стае окрэмай паслявою. У адказе Mem0 інжынерыя памяці прыводзіцца як самастоятэльная дысцыпліна, нароўне з інжынерыям запросаў і кантэксту, з чатырма рубрыкамі памяці (выкарбнік, агент, команда і рабочы працэс), кожная з якіх мае своіх адпаведальных, правілы зберагання і профілі рызыка. Можна спакульваць, што гэта паслява з’явіцца ў працоўнай практыцы ў сферэ інфраструктуры AI да 2027 года.

Практычныы вывод

У большайшай часткі лет эры LLM памяць была тэмнай часткай рашыння: схованы прыказ сістэме, адпрацоўкі старых чатоў за дапамогою тэхнікы RAG, або вікна на мільйон токенав, якія коштаюць 5 долераў за запіт, пры чым адпаведзь все равно не знаходзіцца. У 2026 году памяць стала самастоятным слоем з своімі постачальнікамі, продуктамі на воблаку, крэйтывай базай дадзеных, спосабамі запісу, модэллю безпекі і схемамі выключэння.

Калі ваш агент у понедзелак яшчэ прасіць імя карыстальніка, вы тыраеце не толькі точнасць. Вы продовжваеце плаціць за полны кантэкст і атрыбуты, але рэзультаты можна будзе параджаць нават базаванню на пошуку ў памяці, якая мае 7 000 токенаў, пры чым застаецца неконтрольаваная атакоўная плошча. У тым часу конкурэнты, такія як Mem0 v3, агенты Letta sleep-time, тэмпаральная графіка Zep, AgentCore, памяць Foundry з раздзеленнем Cosmos чы ўправляемыя агенты Claude, вэсць ужо заўтрашнія заходы ў частцы эканоміі. Комбінацыя Rakuten у розмерэ 97% / 27% / 34% стала новым стандартам для памяці, якая сама себе компенсуе, а зменшэнне колькасці токенаў у RevisionDojo на 40% — гэта варыянт для малых каманд. M3-Agent паказвае шлях праз візуальныя і голасовыя даныя, OWASP Agent Memory Guard служыць сваерадку, а Sparse Memory Finetuning ад Meta натыкае на тое, як памяць і вагі ў канечнай меры з’едынаюцца.

Наступны год развіцьбы агентоў не будзе залежаць ад новых базовых модэляў. Ён будзе залежаць ад таго, каб памяць спрацвоўваць як сістэму: яе будуць запісваць, аналізаваць, кераваць, заходзіць, консолідаваць і паспрабоўваць падняць на вышэйшы ранг, як і будзь-які іншы частака продацыйнага програмнага забезпечэння. Агенты, якія застануцца ўперадзе, не будуць тымі, у якіх самыя большыя можлівасці. Гэта будуць тыя, якія насправдзе памятаюць, памятаюць у розных фарматах і памятаюць безпечна.