Pamięć agentów AI w 2026 roku: Mem0, Letta, Zep oraz porównanie platform chmurowych

Jeśli rozpoczniesz nową sesję z większością agentów AI, spotkasz obcego człowieka. On nie zna twojego imienia, tego, nad czym pracujesz, ani faktu, że wczoraj spędził z tobą godzinę na walki z tym samym błędem. Zwykłym rozwiązaniem było wklejanie starego transkryptu do następnego promptu, ale to zawsze stanowiło dodatkowy obciążenie: więcej tokenów, wolniejsze odpowiedzi i gorsza dokładność. W 2026 roku to obciążenie stało się zbyt duże, by je dalej ponosić, więc pojawiły się specjalnie zaprojektowane warstwy pamięci, które miały je zastąpić.

Kilka liczb pokazuje skalę tej zmiany. Algorytm trzeciej generacji Mem0 osiągnął wynik 94,4 w testie LongMemEval, zużywając przy tym około 7 000 tokenów na zapytanie, podczas gdy użycie pełnej historii danych kosztuje 25 000 tokenów lub więcej; jego opóźnienie p95 spadło o 91%, z 17,12 sekundy do 1,44 sekundy. Graf wiedzy czasowej Zep osiągnął wynik 94,8% w teście Deep Memory Retrieval, podczas gdy MemGPT uzyskał 93,4%, przy czym czas odpowiedzi był o około 90% krótszy. Anthropic uruchomił publiczną wersję beta funkcji pamięci trwałej dla Claude Managed Agents 23 kwietnia 2026 roku, a Rakuten, jeden z pierwszych użytkowników, poinformował o spadku błędów w pierwszej próbie o 97%, obniżce kosztów o 27% oraz spadku opóźnienia o 34% w przypadku agentów wykonujących zadania długotrwałe. AWS i Microsoft przenieśli tę samą koncepcję na swoje usługi chmurowe. W maju 2026 roku OWASP rozpoczął specjalny projekt Agent Memory Guard, ponieważ pamięć przechowywana między sesjami stała się celem atakujących.

Poniżej znajduje się przegląd tego tematu: czym właściwie jest pamięć, jak budowane są główne systemy, co mówią, a czego nie mówią wskaźniki, gdzie występują problemy z pamięcią oraz dokąd ona zmierza.

Problem amnezji

Każdy, kto w ciągu ostatnich kilku lat wprowadzał na rynek jakiegoś agenta, zna ten problem. W ramach jednej sesji model funkcjonuje doskonale. Pomiędzy sesjami zachowuje się jak złota rybka – każde logowanie zaczyna się od zera, każda preferencja musi być ponownie zadawana, a każdy fakt dotyczący użytkownika, projektu lub procesu pracy musi być odtworzony na podstawie surowych transkrypcji lub wprowadzony do instrukcji systemu, aż koszty związane z utrzymaniem kontekstu staną się dominujące w całkowitych wydatkach na wdrożenie.

Produkty konsumenckie próbowały ukryć tę luki. OpenAI wprowadził ChatGPT Memory we wszystkich płatnych planach do września 2024 roku, rozszerzył jego funkcje w kwietniu 2025 roku, aby uwzględniał każdą wcześniejszą rozmowę, a w czerwcu 2025 roku udostępnił go również użytkownikom bezpłatnym. Anthropic dodał automatyczną pamięć do Claude w październiku 2025 roku, uczynił ją dostępną za darmo dla wszystkich w marcu 2026 roku oraz wydał narzędzie do zarządzania pamięcią w wersji beta publicznej dla Claude Managed Agents, które umożliwia dostęp do trwałego katalogu /memory zawierającego pliki przechowywane między sesjami. Są to przydatne funkcje, choć żadna z nich nie stanowi komponentu, który można wstawić do własnego agenta.

Dla twórców prostsza alternatywa polegająca na odtwarzaniu całej historii przy każdym wezwaniu wydaje się akceptowalna w demonstracji, ale zawodzi w większych skali. LongMemEval, benchmark z NeurIPS 2024 dotyczący pamięci asystentów konwersacyjnych, to skwantyfikował. Gdy długość historii osiąga około 115 tysięcy tokenów, nawet najnowocześniejsze modele obsługujące długie konteksty tracą od 30 do 60 punktów dokładności w porównaniu z systemem, który otrzymuje bezpośrednio odpowiednie dane. GPT-4o, który analizuje całą historię, osiąga wyniki w przedziale od około 60,6% do 64%, podczas gdy maksymalna dokładność systemu orakularnego wynosi od 87% do 92%. Okno o długości miliona tokenów nie pomaga – jedynie dostarcza większego zbioru danych, w którym model traci trop.

Do 2026 roku dziedzina ta doszła do klarowniejszego rozumienia: pamięć jest komponentem samym w sobie. Nie jest to trik z oknem kontekstowym, indeks RAG oparty na logach rozmów ani szablon promptu. Jest to magazyn pierwszej klasy z własną ścieżką zapisu, regułami usuwania danych, interfejsem API do wyszukiwania, modelem bezpieczeństwa oraz standardami oceny. Działania te odbywają się jednocześnie w czterech miejscach:

• Otwarte SDK: Mem0, Letta, Zep z Graphiti, Cognee, LangMem i Memori.
• Produkty hyperscalerów: AWS Bedrock AgentCore Memory, pamięć dostosowana do użytkownika w Microsoft Foundry oraz pamięć Claude Managed Agents od Anthropic.
• Badania: A-MEM, HippoRAG 2, MemoryOS, M3-Agent do obsługi danych multimodalnych, MemRL dla agentów samorozwijających się, AgeMem oraz Sparse Memory Finetuning od Meta.

Wewnątrz modelu: DeepSeek V4 (marzec 2026 r.) wprowadził Engram – projekt pamięci typu O(1) oparty na haszowaniu, który potrafi obsłużyć kontekst o długości 1 mln tokenów przy koszcie porównywalnym z tym, jaki jest przy 128 tys. tokenów, osiągając jednocześnie 97% wyników w testach typu „igła w stogu siana” przy tej długości. Granica pomiędzy pamięcią wewnątrz modelu a pamięcią w zewnętrznym magazynie staje się coraz bardziej niewyraźna.

Raport Mem0 „State of AI Agent Memory 2026” określa ten wynik jako inżynierię pamięci: dyscyplinę produkcyjną z własnymi wskaźnikami, kompromisami i praktykami operacyjnymi, idącą w ślady ścieżki, którą obrała inżynieriia promptów w drodze do inżynierii kontekstu. Reszta tego tekstu używa tego słownictwa, opierając się na artykule Mem0 ECAI 2025 oraz jego aktualizacji z kwietnia 2026 roku, artykule Zep, benchmarkach LongMemEval i LoCoMo, frameworku CoALA, pracach nad MemGPT i Letta, HippoRAG 2, MemoryOS, M3-Agent, usłudze Claude Managed Agents, AgentCore Memory oraz wytycznych OWASP.

Okna kontekstowe, RAG i logi rozmów to nie pamięć

W niemal każdym spotkaniu typu „dodajmy pamięć” pojawiają się trzy pomyłki, które warto wyjaśnić, zanim architektury staną się zrozumiałe.

Okno kontekstowe to nie pamięć. Jest ono krótkotrwałe, zmienne i ładowane na nowo przy każdej turze. Pamięć natomiast przetrwa między sesjami i ma własny poziom przechowywania, zasady ewolucji oraz politykę zapominania. Wzajemnie się uzupełniają, ale żadna z nich nie zastępuje drugiej. Badanie LongMemEval pokazało, że nawet czołowe modele z oknami kontekstowymi obejmującymi milion tokenów tracą ponad 30% dokładności, gdy muszą przywołać fakty z wcześniejszych sesji bez warstwy pamięci.

RAG to nie pamięć. Klasyczna generacja wzbogacona o wyszukiwanie przeszukuje statyczne korpusy, dokumenty istniejące już przed tym, jak agent skontaktuje się z kimkolwiek. Pamięć natomiast przeszukuje własną historię agenta: wiadomości, wywołania narzędzi, fakty podane przez użytkownika oraz streszczenia z nich wyprowadzone. Cechą wyróżniającą w 2026 roku jest możliwość zapisu. Indeks RAG jest przede wszystkim tylko do dodawania danych i nie posiada stanu, podczas gdy pamięć zmienia się z upływem czasu, może zawierać sprzeczne wersje danego faktu, musi być korygowana przy błędach i jest zapisywana przez samego agenta.

Zapis rozmowy to nie pamięć. Transkrypcja przechowuje wszystko, włącznie z szumem. Pamięć powinna zawierać wyodrębnione fakty, takie jak „użytkownik woli jednostki metryczne”, „termin na III kwartał przesunięto na 14 listopada” lub „klucz API Stripe został zaktualizowany 2026-04-12”, każdy z podanym źródłem i terminem ważności, a nie 80 000 tokenów błahych rozmów. Takie kompresowanie, realizowane przy wysokim stopniu odzyskiwania informacji i udostępniane za pośrednictwem API, które może audytować zarówno agent, jak i zespół bezpieczeństwa, stanowi całe zadanie warstwy pamięci.

Wszystkie poniższe systemy dążą do tego samego celu. Agent powinien zachowywać się tak, jakby istniały miesiące wspólnej historii, jednak koszt musi pozostać poniżej poziomu pełnego odtworzenia kontekstu, agent nie może wymyślać faktów na temat swojego użytkownika, a nikt nie powinien móc wgrać błędnych danych do tego, co jest przez niego przypominane.

Wspólny słowniczek z CoALA

Prawie każda obecna ramka, czy to Mem0, Letta, LangMem, Cognee, Memori czy AgentCore, wykorzystuje tę samą taksonomię. Pochodzi ona z CoALA – artykułu z 2023 roku opublikowanego przez Princeton i CMU na temat architektur kognitywnych dla agentów językowych, który przyporządkował cztery typy ludzkiej pamięci agentom LLM:

• Pamięć robocza to aktywne okno kontekstowe, zmienne używane w bieżącym cyklu decyzyjnym. Jest niestabilna.
• Pamięć epizodyczna przechowuje konkretne doświadczenia z przeszłości wraz z informacjami o czasie i narracją: „Użytkownik pytał o webhooki Stripe 4 marca i napotkał błąd X.”
• Pamięć semantyczna zawiera uogólnione fakty: „Użytkownik lubi zwięzłe odpowiedzi”, „Rok finansowy ACME kończy się 30 września.”

Pamięć proceduralna obejmuje umiejętności, rutyny i kod. Zazwyczaj znajduje się w wagach modelu, promptach systemowych oraz rejestrach narzędzi, chociaż coraz więcej systemów zapisuje ją w czasie wykonywania. LangMem przechowuje zasady promptów, natomiast A-MEM utrzymuje rozwijającą się sieć notatek.

Rozróżnienie to ma znaczenie, ponieważ każdy dostawca stosuje inne podejście. Mem0 jest przede wszystkim semantyczny. Zep obsługuje pamięć epizodyczną i temporalno-semantyczną w oparciu o graf wiedzy. Letta dostarcza maszynę pamięci wirtualnej obejmującą wszystkie cztery typy. LangMem dostarcza oddzielne magazyny semantyczne, epizodyczne i proceduralne. A-MEM łączy pamięć epizodyczną z semantyczną za pomocą powiązań w stylu Zettelkasten, a Memori serializuje wszystko do formatu SQL. Wiedza o tym, jaki typ pamięci system optymalizuje, pomaga podjąć połowę decyzji architektonicznych.

Mem0: wydobywanie, a następnie aktualizacja

Mem0 (Y Combinator W24, który w październiku 2025 roku pozyskał 24 miliony dolarów od Basis Set, Peak XV, GitHub Fund i Kindred Ventures) stał się standardową warstwą pamięci open-source w 2026 roku, podobnie jak pgvector stał się standardowym indeksem wektorowym dwa lata wcześniej: radził sobie z 80% prostych przypadków przy użyciu zaledwie trzech linijek kodu w Pythonie i sprawdzał się w środowisku produkcyjnym. Do połowy 2026 roku miał już ponad 41 000 gwiazdek na GitHubie, ponad 14 milionów pobrań oraz 80 000 zarejestrowanych deweloperów, a liczba wywołań API wzrosła z 35 milionów w pierwszym kwartale 2025 roku do 186 milionów w trzecim.

Konstrukcja jest celowo prosta. Mem0 znajduje się pomiędzy modelem a magazynem wektorowym i przeprowadza dwuetapowy proces przy każdej kolejności rozmowy:

1. Ekstrakcja. Najnowsza wymiana informacji pomiędzy użytkownikiem a asystentem wraz z wcześniejszym kontekstem trafia do narzędzia do ekstrakcji z LLM, które proponuje możliwe fakty. Tutaj również odbywa się kompresja.

Dla każdego kandydata Mem0 wybiera najbardziej podobne przechowywane informacje i poprzez instrukcję dotyczącą użycia narzędzia prosi model o wybór jednej z opcji: ADD (nowy fakt), UPDATE (rozszerzenie istniejącego faktu), DELETE (kandydat jest sprzeczny z przechowywanym faktem) lub NOOP.

Czego zmieniła wersja 3

Algorytm v3, połączony 14 kwietnia 2026 roku, sprawił, że Mem0 stało się standardowym wyborem. Kluczowe były trzy zmiany projektowe:

• Ekstrakcja w jednej rundzie, tylko dodawanie faktów. Zamiast każdorazowo prosić model o wybór między ADD, UPDATE, DELETE i NOOP – co wiąże się z dwoma wywołaniami modelu językowego i dużą ilością tokenów – v3 przeprowadza jedną rundę ekstrakcji, która generuje wyłącznie nowe fakty, traktując jednocześnie fakty stworzone przez agenta jako równoważne tym podanym przez użytkownika. Usuwanie duplikatów i łączenie elementów następuje później, poza głównym procesem.

Pobieranie danych z wielu sygnałów. Trzy algorytmy oceny działają równolegle i łączą się w jeden wynik: wysoka podobieństwo semantyczne, dopasowanie słów kluczowych BM25 oraz dopasowanie entytetów. Ta kombinacja dostosowuje się do tych sygnałów, które są dostępne w momencie zapytania.

Łączenie entytetów zamiast użycia grafu. Wersja v3 całkowicie porzuciła wariant oparty na Neo4j. Entytety są teraz wyodrębniane za pomocą spaCy, bez udziału modeli językowych, i przechowywane w towarzyszącej kolekcji wektorowej {collection}_entities, gdzie każdy wiersz zawiera listę linked_memory_ids. Taka struktura typu „centrum i promienie” zachowuje większość funkcjonalności grafu przy znacznie niższych kosztach operacyjnych.

Uzyskane wyniki:

• LoCoMo: 92,5 punktów ogółem, z +29,6 w przypadku pytań czasowych i +23,1 w przypadku pytań wieloetapowych w porównaniu z pełnym kontekstem.
• LongMemEval: 94,4 w sumie, przy czym najwyższe wyniki uzyskano w kategorii pytań do asystenta w jednej sesji (+53,6), rozumowaniu czasowym (+42,1) oraz aktualizacjach wiedzy (+16,7).
• BEAM przy 1 mln i 10 mln tokenów: 64,1 oraz 48,6.
• Koszt tokenów: około 7 000 za każdą próbę pobrania danych, w porównaniu do 25 000 lub więcej przy pełnym kontekście, co stanowi spadek o blisko 90%.
• Czas reakcji p95: 1,44 sekundy w porównaniu do 17,12, co oznacza spadek o blisko 91%.
• Porównanie z OpenAI Memory: 66,88% w porównaniu do 52,90% w ogólnej ocenie przeprowadzonej przez model językowy jako sędziego, co daje wzrost o 26%.

Wpływ w środowisku produkcyjnym

Dokumentacja integracji Mem0 wymienia 21 frameworków i platform zarówno w Pythonie, jak i TypeScript, w tym LangChain, LangGraph, LlamaIndex, CrewAI, AutoGen, Vercel AI SDK, AgentOps oraz Raycast, a także 20 backendów do przechowywania wektorów, takich jak Qdrant, Chroma, Weaviate, Pinecone i pgvector. Może być również uruchamiany jako serwer MCP, co umożliwia aplikacjom takim jak Claude Code, Cursor lub dowolnemu innemu klientowi obsługującemu MCP nawiązywanie z nim połączenia. Agenci głosowi doskonale pasują do tego rozwiązania, ponieważ istnieją dedykowane integracje z ElevenLabs Conversational AI (asynchroniczne narzędzia addMemories i retrieveMemories poprzez wywoływanie funkcji), LiveKit i Pipecat.

Najczęściej cytowanym przykładem jest RevisionDojo – platforma edukacyjna, która zastąpiła swój system personalizacji oparty na pełnym kontekście rozwiązaniem Mem0 i odnotowała 40% spadek kosztów tokenów wraz z lepszą personalizacją nauki. Mem0 twierdzi, że tysiące zespołów, od startupów po firmy z listy Fortune 500, używa tego rozwiązania w produkcji, ale niewiele nazw dużych firm jest publicznie znanych.

Letta: pamięć jako system operacyjny typu wirtualna pamięć

O ile Mem0 pełni rolę interfejsu typu plug-in, o tyle Letta pełni rolę systemu operacyjnego. Powstała w 2024 roku w laboratorium Sky Computing Lab na Uniwersytecie Berkeley jako produkcyjny następca pracy MemGPT (arXiv:2310.08560) i traktuje okno kontekstowe modelu jak pamięć RAM, celowo przesyłając informacje do niej i z niej. Ma trzy wyraźne poziomy:

• Pamięć podstawowa odpowiada pamięci RAM: to mały blok, który zawsze znajduje się w kontekście i przechowuje identyfikator, osobowość oraz stan aktywnego zadania.

Pamięć przywoławcza działa jak pamięć cache dysku: historia rozmów dostępna do wyszukiwania, przechowywana poza oknem.

Pamięć archiwalna to przechowywanie długoterminowe: fakty semantyczne z dłuższym okresem ważności, które agent sam zapisuje.

Trzy decyzje projektowe odróżniają Letta od wszystkich innych dostępnych rozwiązań.

Pamięć samoredagowalna. Agent utrzymuje własną pamięć w trakcie działania za pomocą narzędzi takich jak core_memory_append, archival_memory_insert i memory_replace. Nie ma oddzielnego narzędzia do wydobywania danych działającego w tle. Model decyduje w momencie rozumowania, co zasługuje na zachowanie.

Obliczenia w trybie uśpienia. Można dodać oddzielnego agenta działającego w trybie uśpienia, który pracuje asynchronicznie, gdy główny agent jest nieaktywny. Analizuje on historię rozmów, utworzone pliki oraz ślady działania narzędzi, a następnie tworzy streszczenie poznanej kontekstu, które główny agent ładuje podczas swojej kolejnej akcji. Agent w trybie uśpienia może wykorzystywać inny, zazwyczaj większy model niż główny, dzięki czemu można tanio przetwarzać dane podczas obsługi użytkownika, a więcej zasobów zużywać podczas konsolidacji informacji. Jest to przeciwieństwo standardowego sposobu skalowania inferencji autoregresywnej i odzwierciedla sposób, w jaki mózg podczas snu przekształca wspomnienia epizodyczne w te semantyczne.

Plik agenta (.af). Letta udostępniła otwarto kod formatu serializacji, który łączy w jednym pliku komendy systemowe, edytowalne bloki pamięci, kod narzędzi i schematy oraz ustawienia modelu. Takie pliki można zapisywać jako punkty kontrolne, weryfikować ich wersje oraz przenosić między kompatybilnymi środowiskami działania – co stanowi w tym obszarze najbliższy odpowiednik obrazu Dockera dla agentów z pamięcią stanową. Podczas eksportu tajne dane są usuwane.

Kod Letty i jej wynik w Terminal-Bench

Pod koniec 2025 roku Letta wydała Letta Code, agenta do programowania w linii poleceń o otwartym kodzie, stworzonego na bazie jej SDK dla agentów z pamięcią stanową. Argumentem jest to, że narzędzia oparte na sesjach, takie jak Cursor, Aider czy Cline, zaczynają od zera za każdym razem, podczas gdy agent z pamięcią stanową gromadzi wiedzę o strukturze projektu, twoich preferencjach, wcześniejszych sesjach debugowania oraz konwencjach zespołu. Dostajesz jednego agenta na projekt, który istnieje tak długo, jak długo trwa projekt.

Twierdzenie dotyczące osiągnięć benchmarkowych jest konkretne. W Terminal-Bench Letta Code zajmuje pierwsze miejsce wśród agentów open-source niezależnych od konkretnego modelu, osiągając ogólny wynik 42,5% (czwarte miejsce w całym rankingu oraz drugie wśród agentów opartych na Claude 4 Sonnet); kod tego agenta liczy mniej niż 200 linii, nie licząc SDK. Agent potrafi przechodzić między Claude, GPT, Gemini, GLM i Kimi przy zachowaniu pełnej pamięci, zgodnie z założeniami projektu Agent File.

Zep i Graphiti: graf wiedzy czasowej

Zarówno Mem0, jak i Letta wykorzystują magazyn wektorowy jako główną bazę danych. Zep (arXiv:2501.13956) przyjmuje odwrotny podejście, modelując pamięć jako graf wiedzy czasowej. Graphiti, będący jego silnikiem o otwartym kodzie, opiera się na trzech warstwach podgrafów oraz modelu bi-temporalnym, który oddzielnie rejestruje moment wystąpienia jakiegoś zdarzenia oraz czas, w którym system o nim dowiedział się.

• Podgraf epizodu przechowuje surowe, wysokojakościowe dane wejściowe (komunikaty z rozmów, dokumenty JSON, zrzuty stanu transakcji), każdy z nich opatrzony datą oryginalnego wydarzenia. Nie jest on nigdy przepisywany.
• Podgraf entytetów semantycznych zawiera wyekstrahowane entytety i fakty, umieszczone jako wektory o wymiarze 1024 oraz połączone za pomocą relacji określonych typem. Entytety mają określone interwały ważności.
• Podgraf społeczności tworzy klastry wyższego rzędu na warstwie entytetów przy użyciu metody wykrywania społeczności opartej na propagacji etykiet, która jest aktualizowana stopniowo, w odróżnieniu od metody Leidena.

Model bi-temporalny to element najtrudniejszy do skopiowania przy użyciu zwykłego magazynu wektorowego. Każda krawędź w Graphiti zawiera cztery daty:

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

Taki projekt umożliwia Zepowi odpowiadanie na pytanie „w co wierzył agent w zeszły wtorek?” równie łatwo, jak na pytanie „co obowiązuje aktualnie?”. Zespoły ds. zgodności oraz wszyscy, którzy bronią wcześniejszych decyzji agentów, potrzebują dokładnie tego. Gdy użytkownik zmienia pracodawcę, poprzedni nie zostaje usunięty: wcześniejszy fakt jest oznaczony jako t_invalid, dodawany jest nowy, a oba pozostają dostępne do wyszukiwania.

Wyniki przedstawione w artykule o Zepie: 94,8% w zadaniu Deep Memory Retrieval w porównaniu z 93,4% u MemGPT; o 18,5% lepsza dokładność w testie LongMemEval przy mniej więcej o 90% niższej latencji w porównaniu z pełnym kontekstem. Niezależne porównania pokazują, że metoda wyszukiwania w stylu graficznym, w tym Graphiti, jest o około 35% lepsza pod względem precyzji w porównaniu z wyszukiwaniem wyłącznie wektorowym przy zapytaniach relacyjnych wieloetapowych.

Inne opcje open-source

To nie jedyne rozwiązania. Kilka innych projektów zasługuje na uwagę.

Cognee

Cognee (około 12 000 gwiazdek na GitHubie do połowy 2026 roku) umieszcza graf, magazyn wektorów oraz magazyn relacyjny za jedną, wspólną API. Proces wprowadzania danych przebiega przez sześcioetapowy pipeline „cognify”, po którym następuje proces samodoskonalący się „memify”, który usuwa przestarzałe węzły, dostosowuje wagę krawędzi w zależności od częstotliwości ich używania oraz dodaje pochodne fakty. Dostępnych jest czternaście trybów wyszukiwania – od zwykłej podobieństwa wektorowego po przeszukiwanie grafu kierowane sekwencją myślenia – a także serwer MCP.

LangMem

SDK LangChain oferuje funkcję przechowywania danych w dwóch punktach integracji: w ścieżce synchronicznej narzędzi, których agent korzysta podczas wykonywania zadania, oraz w tle – menedżerze, który asynchronicznie wyodrębnia, konsoliduje i usuwa duplikaty. Posiada zaawansowane mechanizmy przechowywania danych semantycznych, epizodycznych i proceduralnych i jest jedynym głównym SDK, które traktuje pamięć proceduralną, np. „gdy użytkownik napisze ‘natychmiast’, zwiększyć priorytet”, jako kluczową funkcję.

Memori

Memori (Memori Cloud uruchomiony 2 marca 2026 roku) zapisuje dane do bazy SQLite lub Postgres zamiast do bazy wektorowej. Dzięki temu masz pełną kontrolę nad danymi i nie musisz instalować nowej infrastruktury; projekt twierdzi, że dzięki wykorzystaniu tylko istotnego kontekstu uzyskanego za pomocą SQL koszt przetwarzania spada o 80% do 98%. Jedna linia kodu w Pythonie pozwala dodać trwałą pamięć do agenta OpenAI, Anthropic lub LangChain.

A-MEM

A-MEM (NeurIPS 2025, arXiv:2502.12110) przekształca każdą pamięć w atomową notatkę w stylu Zettelkasten z ustrukturyzowanymi atrybutami. Nowa notatka łączy się z starszymi i aktualizuje ich atrybuty na podstawie nowych informacji, dzięki czemu sieć stale się rozwija. Jest to najbardziej „żywa” architektura w literaturze badawczej i przewyższa obecne rozwiązania w zadaniu LoCoMo we wszystkich sześciu modelach bazowych.

HippoRAG 2

HippoRAG 2 (ICML 2025, arXiv:2502.14802) wydobywa trójki z grafów wiedzy z tekstów oraz łączy synonimy, tworząc to, co autorzy nazywają sztucznym indeksem hipokampalnym. Podczas wyszukiwania uruchamia Personalized PageRank, rozpoczynając od węzłów początkowych, naśladując w ten sposób proces uzupełniania wzorców hipokampalnych. Pokazuje on 7% przewagi nad najsilniejszymi modelami bazowymi w zakresie pamięci asocjacyjnej i coraz częściej pełni rolę warstwy wyszukiwania w architekturach typu Zep i Cognee.

MemoryOS

MemoryOS (EMNLP 2025 Oral, arXiv:2506.06326) jest badawczym odpowiednikiem Letty. Formalizuje trzy poziomy pamięci osobistej: krótkoterminową, średnioterminową i długoterminową, z wyraźnymi regułami przejścia: zasada pierwszy przychodzi, pierwszy wychodzi od poziomu krótkoterminowego do średnioterminowego oraz zorganizowanie stron w formie segmentów od poziomu średnioterminowego do długoterminowego. Cztery moduły (przechowywanie, aktualizacja, odzyskiwanie, generowanie) działają na wszystkich poziomach. Na bazie modeli LoCoMo z GPT-4o-mini osiąga +48,36% wyniku F1 oraz +46,18% wyniku BLEU-1, co stanowi największy wzrost spośród wszystkich prac opublikowanych w 2025 roku na tym teście. Oczekuje się, że mechanizm stronicowania średnioterminowego trafi do produktowych SDK w roku 2026.

MemRL

MemRL (styczeń 2026 r.) to najnowszy kierunek, na który warto zwrócić uwagę. Traktuje pamięć jako podstawę uczenia się przez wzmocnienie. Każda interakcja jest rejestrowana jako triplet (Intent, Experience, Utility), przy czym utility to nauczona wartość Q określająca, jak dobrze dana doświadczenie służyło podobnym intencjom. Proces wyszukiwania w dwóch fazach ujawnia najbardziej przydatne wcześniejsze doświadczenia dla danego zadania, a wartości Q są aktualizowane w miarę działania agenta. Pamięć agenta staje się coraz bardziej inteligentna, a nie tylko większa – to mniej więcej najbliższe możliwe podejście do uczenia się na podstawie doświadczeń bez modyfikacji wag modelu.

SuperLocalMemory

SuperLocalMemory (arXiv:2603.02240) działa w przeciwnym kierunku – z chmury na urządzenie. Ten system oparty na lokalnych rozwiązaniach i wielu agentach wykorzystuje SQLite z funkcją pełnotekstowego wyszukiwania FTS5, klasteruje swój graf wiedzy za pomocą algorytmu Leiden, koordynuje działanie poprzez warstwę opartą na zdarzeniach z informacjami o pochodzeniu każdego agenta oraz chroni przed skażeniem danymi za pomocą algorytmu oceny zaufania opartego na metodzie bayesowskiej, przy czym nie wymaga dostępu do chmury ani nie korzysta z modeli językowych w procesie wyszukiwania. W połączeniu z szerszą platformą SQLite-AI, która gromadzi funkcje inferencji, wyszukiwania, zarządzania pamięcią, analizy i synchronizacji w jednym pliku, stanowi wiarygodną opcję chroniącą prywatność dla agentów osobistych, zadań regulowanych prawnie oraz implementacji na brzegu sieci.

AgeMem

AgeMem (2026) rozszerza cztery operacje aktualizacji Mem0 o sześć narzędzi, a mianowicie ADD, UPDATE, DELETE, RETRIEVE, SUMMARY oraz FILTER, i dodaje zasady TTL, dzięki którym stare informacje wygasają. Jego celem jest problem, który w tym obszarze zaczął być traktowany poważnie dopiero w tym roku: magazyn, który stale się rozrasta, ostatecznie szkodzi samemu sobie.

Hiperprowidenci wchodzą na scenę

Najważniejszym rozwojem w 2026 roku jest to, że dostawcy chmury przestali obserwować sytuację z boku. Wszystkie trzy główne firmy w ciągu około sześciu miesięcy wprowadziły pamięć jako produkt pierwszej klasy.

AWS Bedrock AgentCore Memory

Pierwszy raz przedstawiony na AWS Summit New York w 2025 roku i stale udoskonalany przez cały rok 2026, AgentCore Memory to wersja produktowa stworzona przez Amazona:

• Pamięć krótkoterminowa rejestruje stan na każdym kroku w trakcie sesji.

Pamięć długoterminowa automatycznie wyodrębnia preferencje użytkownika, kluczowe fakty oraz podsumowania sesji pomiędzy nimi.

Strukturyzowane epizody (dostępne ogólnie w 2026 roku) rejestrują kontekst, rozumowanie, działania i wyniki każdego epizodu, dzięki czemu agenci mogą uczyć się na podstawie wcześniejszych ścieżek postępowania, a nie tylko faktów.

Metryki dotyczące pamięci długoterminowej (maj 2026 roku) umożliwiają tagowanie, filtrowanie i wyszukiwanie za pomocą strukturyzowanych atrybutów obok wyszukiwania semantycznego.

Powiadamiania strumieniowe (marzec 2026 roku) eliminują konieczność sprawdzania zmian w pamięci.

Zarządzane przechowywanie sesji (przegląd w marcu 2026 roku) zachowuje stan systemu plików, gdy agent jest zatrzymywany i wznowiany.

Cena wynosi 0,75 dolara za 1000 rekordów w przypadku operacji pamięci, przy czym zawiera się w tym również proces wydobywania i inferencji. AgentCore Runtime dodatkowo kosztuje 0,0895 dolara za godzinę vCPU oraz 0,00945 dolara za godzinę GB; czas spędzony na oczekiwaniu na operacje wejścia/wyjścia jest bezpłatny, co ma znaczenie, ponieważ obciążenia agentów spędzają od 30% do 70% czasu w rzeczywistym czasie na oczekiwaniu.

Pamięć dostosowana do użytkownika w Microsoft Foundry

Szarafska warstwa pamięci w Microsoft Foundry, ogłoszona jako dostępna dla wszystkich na Build 2026, ma inny układ:

• Dzielenie na użytkowników. Pamięć każdego użytkownika znajduje się w osobnym kontenerze Azure Cosmos DB, podzielonym według tożsamości, dzięki czemu konteksty pozostają oddzielone i są zarządzane pojedynczo.
• Weryfikowane, długowieczne sygnały, takie jak preferencje, powtarzające się intencje i podsumowane wyniki, zamiast surowych transkrypcji. Transkrypcja pozostaje w lokalnym magazynie rozmów na stronie serwera, a tylko skompresowane sygnały stają się trwałą pamięcią.
• DevUI – lokalny debugger oparty na przeglądarce, służący do bezpośredniego obserwowania wykonywania agenta, odczytów i zapisów pamięci oraz zachowań orkiestracji.
• Narzędzia oceny z funkcjami śledzenia, testowania powtórnego oraz automatycznego testowania ścieżek decyzyjnych agenta, co jest istotne, ponieważ pamięć skonfigurowana pod użytkownika wpływa na specyficzne dla niego możliwe błędy.

Strategia jest jasna. Microsoft oddziela krótkotrwały kontekst sesji od trwałej pamięci użytkownika na poziomie magazynowania, unikając powolnego degradacji, która występuje, gdy jeden magazyn musi pełnić obie te funkcje.

Pamięć zarządzanych agentów Anthropic Claude

Anthropic przedstawia studium przypadku dotyczące największych ilości produkcji w tym roku. Funkcja pamięci dla Claude Managed Agents została udostępniona w publicznej wersji beta 23 kwietnia 2026 roku. Pamięć ta przechowywana jest w postaci plików w systemie plików, które agent lub użytkownik za pośrednictwem API lub konsoli Claude może eksportować, edytować i zarządzać.

Wyniki wczesnych użytkowników są niezwykle konkretne:

• Rakuten wykorzystuje tę pamięć, aby agenci zajmujący się długotrwałymi zadaniami unikali powtarzania wcześniejszych błędów, i donosi o 97% mniej błędów przy pierwszej próbie, 27% mniejszych kosztach oraz 34% mniejszej opóźnieniu, przy czym wszystko to odbywa się w ramach widocznych granic przestrzeni roboczej. To najczęściej cytowany wynik z 2026 roku pokazujący, że pamięć ta się opłaca.
• Netflix przenosi kontekst między sesjami, w tym informacje uzyskane w trakcie kilku rozmów oraz korekty wprowadzane przez ludzkiego recenzenta w trakcie rozmowy, co zastępuje ręczne aktualizacje poleceń.

Wisedocs przeprowadza weryfikację dokumentów na zarządzanych agentach i osiąga szybsze sprawdzenia o 30%, dzięki przechowywaniu w pamięci informacji o problemach powtarzających się w poszczególnych szablonach, co pozwala agentom unikać zbędnego ponownego analizowania.

Ando wykorzystuje pamięć między sesjami w ramach złożonego procesu pracy finansowej składającego się z wielu kroków.

Anthropic zaprezentował również funkcję badawczą o nazwie „dreaming”: proces refleksji offline, w którym zarządzane agenty odtwarzają wyniki wcześniejszych zadań, aby wyciągnąć trwałe wnioski. Jest to ta sama koncepcja co rozwiązanie Letta do obliczeń podczas snu, wdrożone na skalę gigantycznych platform technologicznych.

To, co łączy te trzy rozwiązania, to fakt, że pamięć przestała być wyborem opartym na SDK i stała się funkcją platformy. To zmienia pozycję dostawców oprogramowania otwartego, ponieważ Mem0, Letta i Zep konkurują teraz z chmurą, której każdy klient już używa. Ich argumenty skupiają się na przenośności (Agent File), specjalizacji (model dwutemporalny Zep) oraz kosztach (rozwiązanie Memori oparte na SQL).

Pamięć, która widzi i słyszy

Wszystkie powyższe systemy zakładają, że pamięć ma postać tekstu. W 2026 roku to założenie zostało podważone, a w drugiej połowie roku pamięć obrazowa, wideo i głosowa stała się odrębnym obszarem badań.

M3-Agent z projektu ByteDance Seed (arXiv:2508.09736) jest wiodącym wzorem referencyjnym. Przyjmuje na wejście żywe dane wizualne i dźwiękowe oraz tworzy wielomodalny graf pamięci skoncentrowany wokół poszczególnych entytetów: każda osoba, przedmiot lub miejsce staje się węzłem, a agent łączy identyfikatory twarzy i głosów z tym samym węzłem. Dzięki temu możliwe jest odpowiadanie na pytania takie jak „co powiedział mężczyzna obok Sarah o projekcie w zeszłym tygodniu?”, czego nie potrafi sklep oparty wyłącznie na tekście. System ten uruchamia dwa procesy – pętla memorizacji nieprzerwanie pobiera twarze, głosy oraz fakty semantyczne z strumieniującego audio i wideo do grafu, natomiast oddzielna pętla sterująca analizuje ten graf w celu odpowiadania na pytania.

Aby przetestować tę klasę systemów, zespół opublikował M3-Bench, zawierający 100 nowo nagranych nagrań z perspektywy robota oraz 929 nagrań pochodzących z Internetu, przedstawiających różnorakie scenariusze. Nagracia te zawierają pary pytań i odpowiedzi służące do badania zrozumienia ludzkiego, wydobywania wiedzy ogólnej oraz rozumowania międzymodalnego. M3-Agent przewyższa najsilniejsze modele oparte na widzeniu i języku (Gemini 1.5 Pro oraz GPT-4o) o odpowiednio 6,7, 7,7 i 5,3 punktu na testach M3-Bench-robot, M3-Bench-web oraz VideoMME-long.

Pojawia się coraz więcej powiązanych prac badawczych. M2A oferuje hybrydową pamięć dwuwarstwową do personalizowanej interakcji multimodalnej. VideoAgent przechowuje opisy zdarzeń wraz ze stanami obiektów, natomiast WorldMM warstwuje pamięć epizodyczną, semantyczną i wizualną nad strumieniami wideo. Mem-Gallery (arXiv:2601.03515) to benchmark stworzony w celu pomiaru tego, jak pamięć jest zachowywana, organizowana i rozwijana w trakcie długich rozmów multimodalnych.

Praktyczne konsekwencje są proste. Kamera internetowa, wspólny ekran, linia głosowa lub dokument pełen wykresów dają agentowi sygnał, że sklep oparty wyłącznie na tekście po prostu nie zadziała. W ciągu roku lub dwóch duże SDK powinny zapewnić elementy budulcowe do tworzenia multimodalnej pamięci, a graf skoncentrowany na entytetach z M3-Agent wydaje się najbezpieczniejszym rozwiązaniem, które może stać się wzorcem.

Czym mierzą się testy

Cztery testy stanowią podstawę większości porównań.

• LongMemEval (NeurIPS 2024, arXiv:2410.10813) zawiera 500 pytań dotyczących pięciu umiejętności, umieszczonych w historiach rozmów o różnej długości: około 115 tysięcy tokenów dla wariantu S oraz około 1,5 miliona tokenów w 500 sesjach dla wariantu M. Głównym wnioskiem jest to, że asystenci komercyjni tracą 30% dokładności w przypominaniu informacji z różnych sesji, a nawet do 60% w najtrudniejszych kategoriach.

LoCoMo (ACL 2024) koncentruje się na długich rozmowach z trudnymi pytaniami opartymi na czasie oraz wieloetapowymi zapytaniami. Mem0 osiąga wynik +29,6 w kategorii czasowej i +23,1 w przypadku zapytań wieloetapowych, natomiast MemoryOS pokazuje wzrost F1 o 48,36% w porównaniu z bazami GPT-4o-mini.

Deep Memory Retrieval wywodzi się z prac nad MemGPT. Zep osiąga wynik 94,8%, podczas gdy MemGPT ma 93,4%

M3-Bench jest pierwszym poważnym benchmarkiem pamięci długoterminowej multimodalnej, wykorzystującym filmy z robotów i internetu. M3-Agent przewyższa Gemini 1.5 Pro oraz GPT-4o o 5 do 8 punktów.

Teraz uwzględnia się również kilka nowszych narzędzi. BEAM sprawdza pamięć przy 1M i 10M tokenach, przy czym Mem0 v3 osiąga wyniki 64,1 i 48,6. Context-Bench autorstwa Letty (2026) ocenia umiejętności projektowania kontekstu przez modele, czyli to, czy model wie, co umieścić we własnym kontekście i kiedy. MemoryAgentBench (ICLR 2026, arXiv:2507.05257) jest najważniejszym nowym narzędziem w tym obszarze. Jego metoda polega na wstrzyknięciu dokumentu raz, a następnie wielokrotnym jego wyszukiwaniu: długie teksty są dzielone na fragmenty po 512 lub 4096 tokenów i przetwarzane w formie wieloetapowej wymiany informacji. Dwa specjalnie stworzone zbiory danych, EventQA i FactConsolidation, sprawdzają możliwości wyszukiwania informacji, uczenie się w trakcie testów oraz radzenie sobie z sprzecznymi faktami. MemBench (arXiv:2506.21605) dodaje kolejny wymiar, oceniając agenty pod kątem skuteczności, efektywności i pojemności, a także oddzielnie oceniając pamięć faktologiczną i refleksyjną, oraz udział w procesie w porównaniu z jedynie obserwowaniem. Pod koniec 2026 roku te dwa narzędzia prawdopodobnie staną się standardem.

Oto sposób na zapytanie o to, czym naprawdę jest system pamięci oraz jaką rolę odegrał LongMemEval w czatach w 2025 roku.

Ostrzeżenie: każdy dostawca przeprowadza testy na takiej konfiguracji, która najlepiej podkreśla zalety jego architektury, dlatego lepiej zapoznać się z szczegółowym rozkładem kategorii niż tylko z nagłówkiem. W warunkach produkcyjnych koszt tokenów i opóźnienia mają takie samo znaczenie jak dokładność. Ponowne odtworzenie wszystkiego stanowi uzasadniony punkt odniesienia, a każda warstwa pamięci, która nie potrafi przewyższyć tego wyniku w obu kryteriach jednocześnie, powinna się wstydzić. Do 2026 roku wszystkie główne systemy przekroczą ten próg.

Jak porównują się te rozwiązania

Analizowane element po elemencie:

• Podkładka. Mem0 wykorzystuje magazyn wektorowy z połączeniami typu hub-and-spoke dla entytetów. Letta stosuje hierarchię wirtualnej pamięci w kilku poziomach, Zep – graf wiedzy temporalnej w Neo4j, Cognee – zintegrowany graf oraz magazyny wektorowe i relacyjne, a Memori SQL. AgentCore jest zarządzany wewnątrz Bedrock, Microsoft Foundry używa Cosmos DB podzielonego na partie użytkowników, natomiast zarządzane agenty Anthropic wykorzystują system plików.
• Rodzaje obsługiwanej pamięci. Mem0 obejmuje pamięć semantyczną oraz entytety. Letta obejmuje wszystkie cztery typy z definicji CoALA. Zep obsługuje pamięć epizodyczną, temporalno-semantyczną oraz społeczną. LangMem posiada magazyny semantyczne, epizodyczne i proceduralne, Memori – pamięć semantyczną i epizodyczną w formacie SQL, AgentCore – strukturyzowane epizody, a Foundry – jedynie sygnały o długim czasie trwania.

Zapis ścieżki. Mem0 v3 przeprowadza wyodrębnianie w jednej rundzie z późniejszą eliminacją duplikatów. Letta edytuje pamięć wewnątrz pętli i konsoliduje dane podczas okresu spoczynku. Zep zapisuje brzegi dwutemporalne, AgentCore łączy proces wyodrębniania z wnioskowaniem w ramach swojej ceny, a Foundry selekcjonuje sygnały, podczas gdy surowy tekst pozostaje w magazynie rozmów.

Rozumowanie temporalne. Mem0 przechowuje metadane z datą czasową. Letta posiada daty archiwalne oraz możliwość przetwarzania podczas okresu spoczynku. Zep jest wrodzony jako narzędzie dwutemporalne i przewodzi w tej dziedzinie. AgentCore oznacza długoterminową pamięć metadanami, a Foundry radzi sobie z czasem w sposób domyślny poprzez typy sygnałów.

Sygnały do odzyskiwania informacji. Mem0 łączy oceny semantyczne, BM25 oraz entytetów. Zep łączy przeszukiwanie grafu, wektory, BM25 oraz czas. Cognee oferuje 14 trybów, natomiast Memori polega na zapytaniach SQL.

Przenośność. Letta korzysta z otwartego standardu .af, a Anthropic umożliwia eksport plików systemu plików. Inne rozwiązania oferują dane w formacie specyficznym dla danego dostawcy.

Najlepsze dopasowanie. Mem0 nadaje się do szybkiej personalizacji, agentów głosowych oraz aplikacji konsumenckich. Letta jest odpowiednia dla długotrwałych agentów w stylu systemu operacyjnego oraz agentów do programowania. Zep skierowany jest do przedsiębiorstw podlegających regulacjom, które potrzebują audytu, do zespołów badawczo-rozwojowych Cognee chcących kontroli nad grafami, a także do małych zespołów Memori preferujących SQL. AgentCore pasuje do środowisk AWS, Foundry do środowisk Microsoftu, a Claude Managed Agents do wszystkich, którzy już korzystają z platformy Claude.

Kluczowy dowód skuteczności. Mem0: 94,4 w LongMemEval. Zep: 94,8% w DMR. MemoryOS: +48,36% F1 w LoCoMo. Letta Code: 42,5% w Terminal-Bench, pierwszy wśród agentów otwartego oprogramowania. HippoRAG 2: +7% w zakresie pamięci asocjacyjnej. Anthropic z Rakuten: o 97% mniej błędów przy pierwszej próbie, o 27% niższe koszty i o 34% mniejsza opóźniona reakcja. M3-Agent: o 5 do 8 punktów lepszy od bazowych rozwiązań do obsługi obrazu i języka w testach multimodalnych.

Gdy pamięć stała się powierzchnią ataku

W maju 2026 roku pamięć agentów przestała być kwestią wyłącznie dokładności i kosztów, a stała się problemem bezpieczeństwa.

Oznaki ostrzegawcze pojawiły się wcześniej w tym roku. Microsoft Security pisał o „AI Recommendation Poisoning” – praktyce manipulowania pamięcią asystenta w celach zarobkowych – już we wrześniu 2026 roku. Radware przedstawił następnie przykład realizacji tej koncepcji o nazwie ZombieAgent: plik z pułapką umieszczony w e-mailu wprowadza dane do pamięci agenta ChatGPT połączonego z skrzynką pocztową ofiary, a każda interakcja uruchamia te zatrute dane i ujawnia informacje poprzez kodowane URL. W jednym z udokumentowanych przypadków wykorzystania tej metody agent do analizy finansowej został przejęty i przyjął zanieczyszczone wyniki, co doprowadziło do uruchomienia procesu przenoszenia środków bez upoważnienia, zanim ktokolwiek mógł to sprawdzić.

Zatruwanie pamięci to coś zupełnie innego niż zwykła iniekcja promptu, z trzech powodów:

• Trwałość. Iniekcja poleceń psuje jedną odpowiedź. Zatruta pamięć psuje każdą późniejszą odpowiedź, która korzysta z afekowanej klucza.
• Dobrze się ukrywa. Zatruta pozycja wygląda dokładnie tak samo jak prawdziwy, zapisany kontekst.
• Autonomia. Agenci działają na podstawie pamięci poprzez wywołania narzędzi, więc zatruta pamięć może powodować skutki uboczne w rzeczywistym świecie bez udziału człowieka.

Obrona nadeszła szybko. OWASP dodało zatrucie pamięci do swojego rankingu Top 10 dla aplikacji agentowych z 2026 roku pod nazwą ASI06 (Zatrucie pamięci i kontekstu) i opublikowało referencyjną implementację Agent Memory Guard w połowie 2026 roku:

• Podstawy SHA-256 oparte na niezmiennej kluczu pamięci, takim jak identity.user_id, dzięki czemu wszelkie ingerencje z zewnątrz są wykrywane.

Zasady bezpieczeństwa YAML, które powiązują wykrycia (próby iniekcji, wyciek danych poufnych, zmiany w chronionych kluczach, szybkie modyfikacje, anomalie wielkości) z konkretnymi działaniami: allow, redact, quarantine lub block.

Szlak rozwoju do wersji v0.4.0 (III kwartał 2026 r.) obejmujący wykrywanie anomalii oparte na sztucznej inteligencji, ochronę baz danych wektorowych oraz panel monitoringu w czasie rzeczywistym.

Rozsądne minimum dla każdego zastosowania pamięci w tym roku to użycie TTL, okien ważności, rejestrowanie źródła danych przy każdej operacji zapisu, kryptyograficzne standardy dla kluczy tożsamościowych, regularne testy atakowe oraz krok zatwierdzenia przez człowieka przed każdym wykorzystaniem narzędzi opartych na pamięci do obsługi pieniędzy lub danych poufnych. Artykuł referencyjny na temat ataków i metod obrony znajduje się pod adresem arXiv:2601.05504, a narzędzie Microsoft Agent Governance Toolkit obejmuje teraz wyraźne środki mitygujące ASI06.

Problemy, których nikt nie rozwiązał

Nawet przy wdrożonej warstwie bezpieczeństwa wiele pozostaje nierozwiązane:

• Zastarzała pamięć. To, co dziś jest prawdą, jutro może stać się błędem, a struktury przechowujące dane tylko do dodawania ulegają degradacji. Rozwiązaniem są TTL i interwały ważności, choć obecnie nie są one standardem.
• Tożsamość między sesjami. Określenie, czy dwie sesje dotyczą tej samej osoby lub tego samego projektu, to najtrudniejszy nierozwiązany podproblem, szczególnie w przestrzeni nazw Mem0 z tysiącami tożsamości.
• Granica wydajności wyszukiwania. Dokładność osiąga szczyt przy trzech do pięciu pobranych fragmentach pamięci, a następnie spada. Łączenie sygnałów wektorowych, słownych, dotyczących entytetów oraz aktualności stanowi standard w produkcji, dlatego Mem0 v3 został zaprojektowany z obsługą wielu sygnałów.

Rachunkowość kosztów. Zasada „oszczędność tokenów dzięki pamięci” obowiązuje tylko wtedy, gdy wywołanie modelu LLM do pobierania i aktualizacji kosztuje mniej niż tokeny kontekstowe, których udało się uniknąć. W przypadku agentów pracujących w małych ilościach dane matematyczne czasami się zmieniają, dlatego jedyną wiarygodną wartością jest koszt na jeden udany wynik.

Błędna hierarchia klasyfikacji. Badanie xMemory z 2026 roku wykazało, że 44,91% informacji z pamięci jest przekierowywanych między różnymi poziomami hierarchii w działającym systemie, co pokazuje, że prosta lub jednorazowa klasyfikacja nie jest skuteczna. Systemy, które przeprowadzają ponowną klasyfikację, takie jak A-MEM, memify firmy Cognee, agenty Letta do pracy w czasie snu oraz system pagingu średniego poziomu MemoryOS, są wczesnymi zwycięzcami.

Ocena ograniczona. LongMemEval i LoCoMo są solidne, ale obejmują jedynie tekst i są dostosowane do rozmów. M3-Bench oraz Mem-Gallery przechodzą w obszar multimodalny, natomiast Context-Bench i Terminal-Bench skupiają się na agentach używających narzędzi. Nikt jeszcze nie stworzył jednego testu obejmującego całą gamę funkcji agentów.

Zacieranie się granicy pomiędzy gigantami technologicznymi a oprogramowaniem otwartym. Wskaźnik 97% Rakuten w przypadku Anthropic Managed Agents wywiera presję na wszystkich dostawców oprogramowania otwartego, by pokazali porównywalne wyniki.

Wybór w zależności od sytuacji

Pрактиczny przewodnik na rok 2026:

• Spersonalizacja dla konsumentów i agenci głosowi: Mem0. Dzięki temu rozwiązaniu można szybko zacząć korzystać z niego, ponieważ dostępne są gotowe SDK w 13 frameworkach, 20 systemach przechowywania wektorów oraz 3 platformach głosowych.
• Długotrwałe osobiste agenty i trenerzy: Letta. Hierarchia systemu operacyjnego oraz mechanizm obliczeń w trybie uśpienia doskonale pasują do zadań trwających kilka tygodni.
• Agenty do programowania w prywatnej bazie kodu: Letta Code, z jednym agentem stanowym na projekt.
• Przedsiębiorstwa podlegające regulacjom wymagające audytu: Zep z Graphiti. Wyróżniającą się cechą jest model dwutemporalny.
• Zespoły badawczo-rozwojowe chcące kontroli grafów: Cognee lub HippoRAG 2 jako podstawa.
• Zespoły już korzystające z LangGraph: LangMem, oferujący najniższe koszty integracji oraz jedyną pamięć proceduralną pierwszej klasy.
• Zespoły potrzebujące jedynie SQL: Memori.
• Przedsiębiorstwa korzystające z AWS: Bedrock AgentCore Memory, z cenami typu pay-as-you-go, dostępem w trybie ogólnym oraz powiadomieniami strumieniowymi.
• Sklepy Microsoftu: pamięć dostosowana do użytkownika w Azure AI Foundry, z podziałem na partycje w Cosmos DB, debugowaniem za pomocą DevUI oraz wbudowanymi funkcjami ewaluacji.
• Zespoły na platformie Claude: pamięć zarządzana przez Claude Managed Agents, przenoszona w postaci plików i charakteryzująca się najwyższym odsetkiem zadowolenia klientów wśród produktów opublikowanych w 2026 roku.
• Agenci multimodalni z funkcjami rozpoznawania obrazu lub głosu: wzorzec M3-Agent oparty na grafie skupionym wokół entytetów, łączącym identyfikatory twarzy i głosu. Na razie nie istnieje gotowe SDK do produkcji, więc trzeba je stworzyć samodzielnie.
• Zadania wymagające wysokiego poziomu zaufania w prawie, ochronie zdrowia lub finansach: rozwiązania takie jak Zep czy Cognee, w połączeniu z politykami OWASP Agent Memory Guard, czasem ważności TTL oraz ścieżką audytową. Nigdy nie należy używać magazynów typu append-only.

Gdzie zmierza pamięć w przyszłości

Patrząc na resztę 2026 roku i rok 2027, wyróżnia się kilka trendów.

• Pamięć staje się elementem architektury. Przykładem jest Engram w modelu DeepSeek V4 – system optymalizacji oparty na haszowaniu umożliwiający szybkie wyszukiwanie danych w czasie O(1), obsługujący 1 milion tokenów przy koszcie porównywalnym z obsługą 128 tysięcy tokenów, a także osiągający 97% skuteczności w testach typu „igła w stogu siana” na takiej skali. Projekt z dwoma ścieżkami oddziela proces wyszukiwania statycznej wiedzy od obliczeń w dynamicznej pamięci roboczej, co stanowi najbliższy dotychczas krok modeli nowoczesnych w traktowaniu pamięci jako elementu architektury, a nie tylko rozwiązania tymczasowego.

Pamięć i uczenie się ciągłe przechodzą w siebie. W artykule Meta o drobnej kalibracji rzadkiej pamięci (arXiv:2510.15103) stwierdzono, że uczenie się nowych faktów za pośrednictwem warstw pamięci pogarsza wyniki w zadaniach testowych jedynie o 11%, w porównaniu z 89% przy pełnej kalibracji i 71% przy użyciu LoRA. To niszczy barierę pomiędzy zewnętrzną warstwą pamięci a pamięcią wewnątrz parametrów modelu. Modele najnowszej generacji z 2027 roku mogą zawierać wbudowane warstwy rzadkiej pamięci, które pełnią rolę szybkiego kanału przekazywania informacji z pamięci agenta do wag modelu.

Pamięć jako podstawa sztucznej inteligencji behawioralnej. System MemRL, który rejestruje intencje, doświadczenia i użyteczność oraz aktualizuje wartości Q na podstawie wyników, przekształca proces przywoływania informacji w sygnał służący do udoskonalenia strategii działania modelu. SDK przeznaczone do produkcji najprawdopodobniej przyjmą tę technologię pod koniec 2026 roku pod nazwą taką jak „przeglądanie oparte na wagach wyników”.

Pobieranie informacji i pamięć stają się zintegrowane. HippoRAG 2, A-MEM, MemoryOS oraz system przechowywania powiązanych z entytetami w Mem0 traktują historię agenta jako kolejny korpus w ramach grafu. Przyszłe rozwiązania będą oferować jedną, wspólną API do pobierania danych zarówno z dokumentów, jak i z pamięci agenta, wykorzystując wspólny hybrydowy backend.

Konsolidacja informacji podczas snu staje się standardem. Agenty działające podczas snu w Letta, mechanizm śnienia w Anthropic oraz segmentowana struktura paginacji w MemoryOS opierają się na tej samej koncepcji: offline’owej refleksji, która przekształca tymczasowe ślady epizodyczne w trwałą wiedzę semantyczną. Można oczekiwać, że każda z głównych platform wyda własną wersję tego rozwiązania do końca 2026 roku.

Pamięć multimodalna w SDK-ach. Testy takie jak Mem-Gallery i M3-Bench przyczyniają się do rozwoju w tym kierunku. Projekt grafu w M3-Agent jest najprawdopodobniej tym, który pojawi się w Mem0, Letta lub Zep do 2027 roku.

Rządy przekształcają się w regulacje. Po projektach ZombieAgent i ASI06 logi audytowe, zasady przechowywania danych oraz umożliwienie dobrowolnego zapomnienia staną się wymaganiami produktu, a audytorzy pracujący według standardów SOC 2 i ISO 42001 zaczną bezpośrednio pytać o zasady „higieny pamięci”.

Pamięć proceduralna zyskuje na znaczeniu. Do tej pory większość badań koncentrowała się na aspektach semantycznych i epizodycznych. Proceduralne magazyny danych LangMem, ewoluujące notatki A-MEM, samoredagowane elementy systemu Letta oraz funkcje śnienia w Anthropic wskazują na ważniejszy cel: agenty, które aktualizują nie tylko swoje fakty, ale także własne zachowania.

Wspólna pamięć między agentami. Zespoły agentów pracujących jako rój potrzebują zasobu, do którego każdy członek może czytać i pisać, ponieważ prywatne magazyny dla poszczególnych agentów nie wystarczają. Potrzebna jest tablica informacyjna z protokołami przekazywania danych oraz wyraźne rozdzielenie pamięci w czasie rzeczywistym przeznaczonej do bieżącej eksploatacji od pamięci trwałej używanej przy kolejnych eksploatacjach. API typu multi-tenant w Mem0, wspólny magazyn archiwalny w Letta, możliwość przenoszenia plików agentów oraz badania takie jak SRMT w zakresie znajdowania dróg dla wielu agentów to wstępne kroki w tym kierunku.

Prywatna, lokalna pamięć. SuperLocalMemory i SQLite-AI stanowią wiarygodną alternatywę dla rozwiązań opartych wyłącznie na chmurze: SQLite, FTS5, algorytmy oceny zaufania oparte na metodzie bayesowskiej oraz metoda klasterowania Leidena – wszystko to działa bezpośrednio na urządzeniu, bez wykorzystania modeli językowych do przetwarzania danych podczas wyszukiwania. Apple, Google i Microsoft pracują nad środowiskami uruchamiania agentów na poziomie systemu operacyjnego, które priorytetowo przechowują dane lokalnie, a rozwiązania typu SQL, takie jak Memori oraz pipeline’y do wydobywania informacji w stylu Mem0, powinny trafić do SDK dla urządzeń mobilnych pod koniec 2026 roku.

Inżynier pamięci staje się oficjalną pozycją zawodową. W raporcie Mem0 inżynieria pamięci jest przedstawiana jako odrębna dziedzina obok inżynierii promptów i kontekstu, z czterema poziomami zarządzania pamięcią (użytkownik, agent, zespół i proces pracy), każdy z innymi odpowiedzialnymi, zasadami przechowywania i profilami ryzyka. Można oczekiwać, że ta pozycja pojawi się w ofertach pracy związanych z infrastrukturą AI do 2027 roku.

Praktyczne wnioski

Przez większość ery LLM pamięć była rozwiązaniem tymczasowym: ukryty prompt systemowy, technologia RAG wykorzystująca stare rozmowy lub okno o pojemności miliona tokenów kosztujące 5 dolarów za zapytanie, które nadal nie dostarczało odpowiedzi. W 2026 roku stała się pełnoprawną warstwą z własnymi dostawcami, produktami chmurowymi, standardami oceny, ścieżkami zapisu, modelem bezpieczeństwa oraz sposobami radzenia sobie z awariami.

Jeśli twój agent nadal prosi o imię użytkownika w poniedziałek, rezygnujesz nie tylko z dokładności. Nadal płacisz za pełny kontekst i otrzymujesz wyniki, które przewyższają te uzyskane dzięki wyszukiwaniu w pamięci zawierającej 7000 tokenów, a przy tym pozostawiasz otwartą nieskanowaną powierzchnię ataku. Tymczasem konkurencja, takie jak Mem0 v3, agenci Letta sleep-time, graf temporalny Zepa, AgentCore, pamięć podzielona na sekcje Cosmos od Foundry czy Claude Managed Agents, już oszczędza pieniądze. Kombinacja 97% / 27% / 34% od Rakuten stanowi nowy standard dla rozwiązań, w których pamięć sama się opłaca, a redukcja ilości tokenów o 40% w RevisionDojo to rozwiązanie przeznaczone dla małych zespołów. M3-Agent pokazuje drogę poprzez widzenie i głos, OWASP Agent Memory Guard pełni rolę pasów bezpieczeństwa, a Sparse Memory Finetuning od Meta wskazuje, jak pamięć i wagi w końcu się połączą.

Następny rozwój agentów nie będzie zależeć od nowych modeli bazowych. Będzie zależał od traktowania pamięci jako systemu: pisanej, ocenianej, zarządzanej, chronionej, konsolidowanej i ulepszanej tak jak każdy inny element oprogramowania produkcyjnego. Zwycięskimi agentami nie będą te z najdłuższym czasem działania. Będą to te, które rzeczywiście pamiętają, pamiętają między różnymi modalnościami i pamiętają bezpiecznie.