Память ИИ-агентов в 2026 году: Mem0, Letta, Zep и сравнение облачных платформ.

Если начать новую сессию с большинства ИИ-агентов, вы сталкиваетесь с незнакомцем. Он не знает вашего имени, над чем вы работаете, и даже того, что вчера провёл с вами час, пытаясь устранить ту же ошибку. Обычным решением было вставление старого текста ответа в следующий запрос, но это всегда сопровождалось недостатками: больше токенов, медленнее ответы и худшая точность. В 2026 году эти недостатки стали слишком серьёзными, и для их устранения появились специально созданные слои памяти.

Несколько цифр показывают масштаб этих изменений. Алгоритм третьего поколения Mem0 показал результат 94,4 в тесте LongMemEval, потребляя примерно 7 000 токенов на запрос; использование полной истории данных требует 25 000 токенов или больше. Показатель задержки p95 снизился на 91% — с 17,12 секунд до 1,44 секунды. Граф временных знаний Zep достиг 94,8% в тесте Deep Memory Retrieval по сравнению с 93,4% у MemGPT, причем время ответа было примерно на 90% ниже. 23 апреля 2026 года компания Anthropic запустила функцию постоянной памяти для Claude Managed Agents в публичном бета-режиме; Rakuten, один из первых пользователей, сообщил о снижении ошибок при первой обработке на 97%, затрат — на 27% и задержки — на 34% для агентов, выполняющих длительные задачи. AWS и Microsoft применили аналогичную концепцию в своих облачных сервисах. В мае 2026 года OWASP начала проект Agent Memory Guard, поскольку хранилище данных, сохраняющееся между сессиями, стало мишенью для злоумышленников.

Далее приведен обзор этой сферы: что такое память на самом деле, как построены основные системы, что могут и чего не могут показать тест-метрики, где возникают сбои в работе памяти и куда она развивается.

Проблема амнезии

Любой, кто выпускал агента за последние несколько лет, знаком с этой проблемой. В рамках одной сессии модель работает отлично, но между сессиями ведет себя как золотая рыбка. Каждый вход начинается с нуля, каждое предпочтение должно задаваться заново, а любая информация о пользователе, проекте или рабочем процессе приходится воссоздавать из первоначальных записей или вводить в системный запрос, пока затраты на обработку контекста не станут доминирующими в стоимости развертывания.

Продукты для конечных пользователей пытались скрыть этот недостаток. К сентябрю 2024 года OpenAI ввела функцию ChatGPT Memory для всех платных тарифов, в апреле 2025 года расширила её так, чтобы она учитывала каждый прошлый диалог, а в июне 2025 года сделала её доступной для бесплатных пользователей. Anthropic добавила автоматическую память в Claude в октябре 2025 года, сделала её бесплатной для всех в марте 2026 года и выпустила инструмент программной памяти для Claude Managed Agents в общедоступном бета-версии, который предоставляет постоянную папку /memory с файлами, сохраняющимися между сессиями. Это удобные функции, однако ни одна из них не является компонентом, который можно встроить в собственного агента.

Для разработчиков примитивный вариант — перезагрузка всей истории при каждом запросе — кажется приемлемым в демо-версии, но теряет эффективность при масштабировании. Это было подтверждено тестом LongMemEval, проведенным на конференции NeurIPS 2024 для оценки памяти чат-ассистентов. При длине истории около 115 тысяч токенов даже современные модели с поддержкой длинных контекстов теряли от 30 до 60 пунктов абсолютной точности по сравнению с системой, получающей необходимые данные напрямую. GPT-4o при анализе всей истории показывал результаты в диапазоне от 60,6% до 64%, тогда как оптимальный показатель для такой системы составлял от 87% до 92%. Наличие окна объемом в миллион токенов не помогает — оно лишь увеличивает объем данных, в которых модели сложнее найти нужную информацию.

К 2026 году в этой области сформировалась более четкая концепция: память — это самостоятельный компонент. Это не уловка с контекстным окном, не индекс RAG для чат-логов и не шаблон запроса. Это хранилище первого класса с собственным механизмом записи, правилами удаления данных, API для поиска, моделью безопасности и критериями оценки. Деятельность ведется одновременно в четырех направлениях:

• Открытые SDK: Mem0, Letta, Zep с Graphiti, Cognee, LangMem и Memori.
• Продукты гипермасштабируемых компаний: AWS Bedrock AgentCore Memory, пользовательские системы хранения памяти от Microsoft Foundry и система хранения памяти в Claude Managed Agents от Anthropic.
• Исследования: A-MEM, HippoRAG 2, MemoryOS, M3-Agent для обработки мультимодальных данных, MemRL для саморазвивающихся агентов, AgeMem и технология Fine-tuning редкой памяти от Meta.

Внутри модели: DeepSeek V4 (март 2026 года) ввёл Engram — конструкцию памяти типа O(1), основанную на хешировании, которая позволяет обрабатывать контекст из 1 млн токенов примерно за ту же стоимость, что и при объёме 128 К токенов, достигая при этом 97% точности в тестах типа «игла в копне сена» на такой длине. Граница между памятью внутри модели и памятью во внешнем хранилище становится всё более размытой.

В отчете Mem0 «State of AI Agent Memory 2026» результат этого процесса называется инженерией памяти: отраслевой дисциплиной с собственными критериями оценки, компромиссами и практиками работы, следующей по тому же пути, что и инженерия подсказок в развитии к инженерии контекста. В оставшейся части статьи используется именно этот терминологический аппарат, основанный на исследовании Mem0 ECAI 2025 и его обновлении за апрель 2026 года, статье Zep, тестах LongMemEval и LoCoMo, фреймворке CoALA, проектах MemGPT и Letta, решении HippoRAG 2, системе MemoryOS, модели M3-Agent, сервисе Claude Managed Agents, компоненте AgentCore Memory и рекомендациях OWASP.

Окна контекста, RAG и логи чатов — это не память

На почти каждой встрече с темой «давайте добавим память» возникают три распространенных заблуждения, которые стоит прояснить прежде чем архитектуры станут понятными.

Окно контекста — это не память. Оно имеет кратковременный срок существования, является изменчивым и заполняется заново при каждом ходе. Память сохраняется между сессиями и имеет свой уровень хранения, правила развития и политику забывания. Они дополняют друг друга, но ни один из них не заменяет другой. Исследование LongMemEval показало, что даже ведущие модели с окнами объемом в миллионы токенов теряют более 30% точности при попытке восстановить факты из предыдущих сессий без слоя памяти.

RAG — это не память. Классический метод генерации с усилением за счёт поиска работает с статическим корпусом документов, которые существуют ещё до того, как агент начнёт общаться с кем-либо. Память, напротив, отслеживает собственное прошлое агента: сообщения, вызовы инструментов, факты, указанные пользователем, а также краткие изложения, полученные на их основе. Отличительной чертой в 2026 году является возможность записи данных. Индекс RAG в основном предназначен только для дополнения информации и не имеет состояния, тогда как память со временем меняется, может содержать противоречивые версии одного и того же факта, требует коррекции при ошибках и заполняется самим агентом.

Журнал чатов — это не память. Транскрипция сохраняет всё, включая ненужный шум. Память должна хранить извлечённые факты, такие как «пользователь предпочитает метрические единицы», «крайний срок за третий квартал перенесён на 14 ноября» или «ключ API Stripe был обновлён 12.04.2026», причём для каждого должны быть указаны источник и срок действия, а не 80 000 токенов бесполезных разговоров. Такая компрессия с высокой точностью воспроизведения и публикация через API, которую могут проверять как агент, так и команда по безопасности, — вот что представляет собой функция слоя памяти.

Все приведённые ниже системы стремятся к одной цели: агент должен вести себя так, будто существуют месяцы общей истории, при этом объём данных не должен превышать возможности полного воспроизведения контекста, агент не должен выдумывать факты о своём пользователе, и никто не должен иметь возможности внести некорректные данные в то, что он запоминает.

Общий словарь из CoALA

Почти каждая современная платформа, будь то Mem0, Letta, LangMem, Cognee, Memori или AgentCore, использует одну и ту же таксономию. Она взята из CoALA — исследования 2023 года, опубликованного в Princeton и CMU, о когнитивных архитектурах для языковых агентов, в котором были выделены четыре типа человеческой памяти для LLM-агентов:

• Рабочая память — это активное окно контекста, переменные, используемые в текущем цикле принятия решений. Она эфемерна.
• Эпизодическая память хранит конкретный прошлый опыт вместе с временем и повествованием: «пользователь спрашивал о webhook’ах Stripe 4 марта и столкнулся с ошибкой X».
• Семантическая память содержит обобщенные факты: «пользователю нравятся краткие ответы», «финансовый год ACME заканчивается 30 сентября».

Процедурная память включает навыки, рутины и код. Обычно она хранится в весах модели, системных промптах и реестрах инструментов, хотя всё больше систем записывают её во время выполнения. LangMem хранит набор правил промптов, а A-MEM ведёт постоянно обновляемую сеть заметок.

Такое разделение важно, поскольку каждый поставщик использует свои подходы. Mem0 в основном ориентирован на семантическую память. Zep обрабатывает эпизодическую и темпорально-семантическую память на основе графа знаний. Letta предоставляет машину виртуальной памяти, охватывающую все четыре типа памяти. LangMem поставляется с отдельными хранилищами для семантической, эпизодической и процедурной памяти. A-MEM смешивает эпизодическую и семантическую память с помощью связей в стиле Zettelkasten, а Memori сериализует всё в SQL. Знание того, для какого типа памяти оптимизируется система, помогает принять половину архитектурных решений.

Mem0: извлечение, затем обновление

Mem0 (Y Combinator W24, получивший 24 миллиона долларов в октябре 2025 года от Basis Set, Peak XV, GitHub Fund и Kindred Ventures) стал стандартным слоем памяти с открытым исходным кодом в 2026 году, подобно тому как pgvector стал стандартным векторным индексом двумя годами ранее: он справлялся с 80% простых случаев всего за три строки кода на Python и надежно работал в производственных условиях. К середине 2026 года у него было более 41 000 звезд на GitHub, свыше 14 миллионов загрузок и 80 000 зарегистрированных разработчиков, причем количество запросов к API выросло с 35 миллионов в первом квартале 2025 года до 186 миллионов в третьем.

Дизайн Mem0 преднамеренно прост: он располагается между моделью и хранилищем векторов и выполняет двухэтапную обработку при каждом обмене сообщениями:

1. Извлечение. Последний обмен сообщениями между пользователем и ассистентом вместе с предыдущим контекстом поступает в инструмент извлечения данных LLM, который предлагает возможные факты. Здесь также происходит сжатие данных.

Обновление. Для каждого кандидата Mem0 извлекает наиболее похожие сохранённые воспоминания и с помощью промпта о использовании инструментов просит модель выбрать один из вариантов: ADD (новый факт), UPDATE (дополнение существующего факта), DELETE (кандидат противоречит сохранённому факту) или NOOP.

Что изменилось в версии 3

Алгоритм v3, объединённый 14 апреля 2026 года, сделал Mem0 стандартным решением. Значительное влияние оказали три изменения дизайна:

• Извлечение с одного прохода и только добавление новых фактов. Вместо того чтобы модель на каждом шаге выбирала между вариантами ADD, UPDATE, DELETE и NOOP — что требует двух вызовов LLM и большого количества токенов — v3 выполняет один проход извлечения, в ходе которого добавляются только новые факты. Факты, сгенерированные агентом, рассматриваются как равноценные фактам, указанным пользователем. Удаление дубликатов и связывание сущностей происходит позже, вне основного потока обработки.

Поиск с использованием нескольких сигналов. Три алгоритма оценки работают параллельно и объединяются в одну оценку: высокая семантическая похожесть, совпадение ключевых слов по алгоритму BM25 и сопоставление сущностей. Сочетание этих методов адаптируется под наличие тех сигналов, которые имеются в момент запроса.

Связывание сущностей вместо графа. В версии v3 была полностью устранена вариант реализации на основе Neo4j. Теперь сущности извлекаются с помощью spaCy без участия больших языковых моделей и хранятся в сопутствующем векторном наборе {collection}_entities, где каждая строка содержит список linked_memory_ids. Такая структура сохраняет большинство преимуществ графа при значительно меньших затратах на обработку.

Результаты тестирования:

• LoCoMo: общий балл 92,5; при этом для временных вопросов показатель увеличился на 29,6, а для многократных вопросов — на 23,1 по сравнению с использованием полного контекста.
• LongMemEval: в общей сложности 94,4, причем лучшие результаты показаны в категориях вопросов к ассистенту в одной сессии — +53,6, временные рассуждения — +42,1, и обновление знаний — +16,7.
• BEAM при 1 млн и 10 млн токенов: 64,1 и 48,6 соответственно.
• Стоимость токенов: примерно 7 000 за один запрос на поиск, в то время как для получения полного контекста требуется 25 000 и более токенов, что на 90% меньше.
• p95 задержка: 1,44 секунды против 17,12, что на 91% меньше.
• Сравнение с OpenAI Memory: 66,88% против 52,90% по общему баллу с использованием LLM в качестве оценщика, что соответствует относительному улучшению на 26%.

Влияние в производственной среде

В документации по интеграции Mem0 перечислены 21 фреймворк и платформа как на Python, так и на TypeScript, среди которых LangChain, LangGraph, LlamaIndex, CrewAI, AutoGen, Vercel AI SDK, AgentOps и Raycast, а также 20 бэкендов для хранения векторных данных, включая Qdrant, Chroma, Weaviate, Pinecone и pgvector. Его также можно запустить в качестве сервера MCP, что позволяет Claude Code, Cursor или любому другому клиенту с поддержкой MCP взаимодействовать с ним. Голосовые агенты идеально подходят для использования благодаря специальным интеграциям с ElevenLabs Conversational AI (асинхронные инструменты addMemories и retrieveMemories через вызов функций), LiveKit и Pipecat.

Самым известным примером использования является RevisionDojo — образовательная платформа, которая заменила свою систему персонализации с полным контекстом на Mem0 и зафиксировала снижение затрат на токены на 40%, а также улучшение качества персонализированного обучения. По словам Mem0, ею пользуются тысячи команд — от стартапов до компаний из списка Fortune 500, — но имена крупных компаний остаются неопубликованными.

Letta: память как операционная система виртуальной памяти

Если Mem0 выполняет функцию плагин-API, то Letta выступает в роли операционной системы. Она была создана в 2024 году в лаборатории Sky Computing Lab при Беркли в качестве продакшн-версии исследования MemGPT (arXiv:2310.08560) и рассматривает окно контекста модели как RAM, целенаправленно загружая и выгружая информацию. У нее есть три четко определенных уровня:

• Основная память соответствует RAM: это небольшой блок, который всегда находится в контексте и хранит информацию об идентичности, персонаже и состоянии активной задачи.

Память воспоминаний функционирует как кэш диска: история переписки, доступная для поиска, хранится вне окна.

Архивная память представляет собой хранилище долгосрочных данных: агент сам записывает в него семантические факты на длительный срок.

Три особенности дизайна отличают Letta от всех остальных аналогов.

Саморедактируемая память. Агент сам поддерживает свою память в процессе работы с помощью таких инструментов, как core_memory_append, archival_memory_insert и memory_replace. В фоновом режиме не работает отдельный механизм извлечения данных. Модель сама решает на этапе обработки информации, что стоит сохранить.

Вычисления в режиме сна. Можно использовать отдельный агент, работающий в режиме сна асинхронно, пока основной агент неактивен. Он анализирует историю разговоров, полученные файлы и следы деятельности инструментов, после чего формирует краткий блок извлеченного контекста, который основной агент загружает в следующий момент. Агент, работающий в режиме сна, может использовать другую, обычно более мощную модель, чем основная, так что вы тратите меньше ресурсов во время обработки запросов, но больше — при объединении информации. Это противоположно обычной схеме масштабирования авторегрессивных методов и напоминает процесс, при котором мозг во сне преобразует эпизодические воспоминания в семантические.

Файл агента (.af). Letta сделала открытым формат сериализации, который объединяет системные указания, редактируемые блоки памяти, код инструментов и схемы, а также настройки модели в один файл. Такие файлы можно сохранять в виде точек контроля, версионировать и перемещать между совместимыми средами выполнения, что является аналогом образов Docker для агентов с состоянием в этой области. При экспорте конфиденциальная информация удаляется.

Letta Code и его оценка Terminal-Bench

В конце 2025 года Letta выпустила Letta Code — агента для программирования в командной строке с открытым исходным кодом, созданного на основе её SDK для агентов с состоянием. Авторы утверждают, что инструменты, работающие в режиме сессий, такие как Cursor, Aider или Cline, каждый раз начинают работу с нуля, тогда как агент с состоянием накапливает знания о структуре проекта, ваших предпочтениях, предыдущих сессиях отладки и стандартах команды. На каждый проект предоставляется один агент, и он существует столько, сколько существует проект.

Утверждения относительно производительности конкретны. В тесте Terminal-Bench Letta Code занимает первое место среди агентов с открытым исходным кодом, не зависящих от конкретной модели, с общим показателем 42,5% (четвертое место в общем зачёте и второе среди агентов, основанных на Claude 4 Sonnet); код агента состоит менее чем из 200 строк наряду с SDK. Он может переключаться между Claude, GPT, Gemini, GLM и Kimi, сохраняя при этом информацию в памяти, для чего и был разработан сценарий Agent File.

Zep и Graphiti: временная знаниевая графа

Mem0 и Letta используют векторные хранилища в качестве основной базы данных. Zep (arXiv:2501.13956) выбирает противоположный подход, моделируя память как временную знаниевую графу. Graphiti, его движок с открытым исходным кодом, основан на трёх уровнях подграфов и би-временной модели, которая отдельно фиксирует момент происшествия и момент, когда система об этом узнала.

• Подграф эпизода хранит необработанные, высокоточные данные (сообщения в чате, документы в формате JSON, снимки транзакций), каждый из которых сопровождается временем возникновения исходного события. Эти данные никогда не переписываются.
• Подграф семантических сущностей содержит извлеченные сущности и факты, представленные в виде 1024-мерных векторов и связанных между собой с помощью отношений определенного типа. Каждая сущность имеет интервал действительности.
• Подграф сообществ формирует кластеры более высокого порядка на уровне сущностей с использованием метода обнаружения сообществ на основе распространения меток; этот процесс происходит поэтапно, в отличие от алгоритма Leiden.

Би-темпоральная модель — это та часть, которую сложнее всего скопировать с помощью обычного хранилища векторов. Каждая ребро в Graphiti содержит четыре временные метки:

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

Благодаря такой конструкции Zep может так же легко отвечать на вопрос «Во что верил агент в прошлый вторник?» как и на вопрос «Что сейчас действительно верно?». Именно этого и нуждаются команды по соблюдению правил и все, кто защищает прежние решения агентов. Если пользователь меняет работодателя, старый запись не удаляется: предыдущий факт помечается как t_invalid, добавляется новый, и оба остаются доступными для поиска.

Результаты тестов Zep: 94,8% в задаче глубокого поиска в памяти против 93,4% у MemGPT; точность на тесте LongMemEval на 18,5% выше при примерно на 90% меньшей задержке по сравнению с полным контекстом. Независимые сравнения показывают, что метод поиска в графическом формате, включая Graphiti, превосходит метод поиска только на векторах при многократных реляционных запросах примерно на 35% по точности.

Другие варианты с открытым исходным кодом

Эти три решения — не единственные. Существует ещё несколько конструкций, заслуживающих внимания.

Cognee

Cognee (около 12 000 звезд на GitHub к середине 2026 года) объединяет графовый хранилище, векторное хранилище и реляционное хранилище под одним API. Процесс ввода данных проходит через шестиступенчатую систему обработки «cognify», за которой следует процесс самосовершенствования «memify», удаляющий устаревшие узлы, корректирующий веса рёбер в зависимости от частоты их использования и добавляющий производные факты. Доступно четырнадцать режимов поиска — от простого сравнения векторов до обхода графа с учётом логики мышления, причем в состав входит сервер MCP.

LangMem

SDK LangChain предоставляет возможность хранения информации в двух точках интеграции: в синхронных инструментах, которые агент использует в ходе своих действий, и в фоновом менеджере, который асинхронно извлекает, обрабатывает и удаляет дубликаты данных. Он включает первоклассные механизмы хранения семантической, эпизодической и процедурной информации, и является единственным крупным SDK, который рассматривает процедурную память, такую как «когда пользователь просит срочно, повысить приоритет», в качестве основной функции.

Memori

Memori (Memori Cloud был запущен 2 марта 2026 года) сохраняет данные в SQLite или Postgres, а не в векторной базе данных. Это позволяет полностью контролировать данные без необходимости в новой инфраструктуре; проект утверждает, что благодаря использованию только релевантного контекста, полученного с помощью SQL, стоимость обработки данных снижается на 80–98%. Одна строка кода на Python позволяет добавить постоянную память к агенту OpenAI, Anthropic или LangChain.

A-MEM

A-MEM (NeurIPS 2025, arXiv:2502.12110) преобразует каждую запись памяти в атомарную заметку в стиле Zettelkasten с структурированными атрибутами. Новая заметка связывается с более старыми и обновляет их атрибуты с учётом новой информации, благодаря чему сеть постоянно развивается. Это самая «живая» архитектура в научной литературе, превосходящая современные решения в тесте LoCoMo на шести базовых моделях.

HippoRAG 2

HippoRAG 2 (ICML 2025, arXiv:2502.14802) извлекает тройки данных из открытых графов знаний из текстовых фрагментов и связывает синонимы, формируя то, что авторы называют искусственным гиппокамповым индексом. При обработке запроса он использует метод Personalized PageRank, исходя из стартовых узлов, имитируя процесс заполнения пробелов в гиппокампе. Он показывает прирост эффективности на 7% по сравнению с самыми сильными плотными базовыми решениями в задачах ассоциативной памяти, и всё чаще используется в качестве слоя поиска в архитектурах типа Zep и Cognee.

MemoryOS

MemoryOS (EMNLP 2025 Oral, arXiv:2506.06326) является исследовательским аналогом Letta. Он формализует три уровня личной памяти — краткосрочную, среднесрочную и долгосрочную — с четкими правилами перехода: от краткосрочной к среднесрочной по принципу «первый вошел — первым вышел», а от среднесрочной к долгосрочной — с использованием сегментированной структуры страниц. Четыре модуля (хранение, обновление, поиск, генерация) работают на всех уровнях. На тестовой платформе LoCoMo с базовыми моделями GPT-4o-mini он показывает улучшение показателей F1 на 48,36% и BLEU-1 на 46,18%, что является наибольшим приростом среди всех статей 2025 года на этом тесте. Ожидается, что среднесрочная структура страниц будет включена в промышленные SDK к 2026 году.

MemRL

MemRL (январь 2026 г.) — это самое перспективное направление для наблюдения. В нем память рассматривается как основа для обучения с подкреплением. Каждое взаимодействие записывается в виде тройки (Намерение, Опыт, Полезность), где полезность представляет собой вычисленное значение Q, показывающее, насколько хорошо данный опыт помог при реализации похожих намерений. Метод двухэтапного поиска выявляет наиболее полезные прошлые опыты для текущей задачи, а значения Q обновляются по мере действий агента. Память агента становится более умной, а не просто объемнее; это максимально близко к процессу обучения на основе опыта без изменения весов модели.

SuperLocalMemory

SuperLocalMemory (arXiv:2603.02240) развивает идею в противоположном направлении — с облачных решений на устройство пользователя. Эта система с фокусом на локальные ресурсы, основанная на нескольких агентах, использует SQLite с функцией полнотекстового поиска FTS5, кластеризует свою графу знаний с помощью алгоритма Leiden, координирует действия через слой, управляемый событиями, с указанием происхождения данных для каждого агента, и защищается от внедрения вредоносного контента с помощью байесовской оценки надежности; при этом она не зависит от облаков и не использует большие языки моделирования на этапе поиска информации. Вместе с более широкой платформой SQLite-AI, которая объединяет функции инференса, поиска, хранения данных, аналитики и синхронизации в одном файле, она представляет собой надежный инструмент для обеспечения конфиденциальности в случае использования персональных агентов, регулируемых рабочих процессов и решений для периферийных устройств.

AgeMem

AgeMem (2026) расширяет четыре операции обновления Mem0 до шести инструментов: ADD, UPDATE, DELETE, RETRIEVE, SUMMARY и FILTER; кроме того, он включает правила TTL для истечения срока действия старых данных. Его цель — решение проблемы, которую отрасль начала воспринимать всерьез только в этом году: хранилище, которое постоянно растет, в конечном итоге само себя «отравляет».

Крупные провайдеры облачных услуг вступают в игру

Самым значимым событием 2026 года стало то, что провайдеры облачных услуг перестали оставаться в стороне. Все три крупнейших предприятия выпустили продукты для хранения данных в качестве основных сервисов примерно через шесть месяцев.

AWS Bedrock AgentCore Memory

AgentCore Memory был представлен на AWS Summit New York в 2025 году и постепенно совершенствовался в течение 2026 года; это официальная версия продукта от Amazon:

• Краткосрочная память фиксирует состояние системы на каждом этапе сессии.

Долгосрочная память автоматически извлекает предпочтения пользователя, ключевые факты и краткие сводки сессий между ними.

Структурированные эпизоды (обычно станут доступны в 2026 году) фиксируют контекст, логику, действия и результаты каждого эпизода, что позволяет агентам учиться на прошлых действиях, а не только на фактах.

Метаданные долгосрочной памяти (май 2026 года) обеспечивают возможность тегирования, фильтрации и поиска с использованием структурированных атрибутов наряду с семантическим поиском.

Уведомления в реальном времени (март 2026 года) устраняют необходимость периодического проверения изменений в памяти.

Управляемое хранение сессий (предварительная версия для марта 2026 года) сохраняет состояние файловой системы при остановке и возобновлении работы агента.

Цена составляет 0,75 доллара за 1 000 записей для операций с памятью, причем извлечение и инференс включены в стоимость. AgentCore Runtime стоит 0,0895 доллара за час работы vCPU и 0,00945 доллара за час работы в ГБ; время ожидания операций ввода-вывода не входит в стоимость, хотя работа агентов на 30–70% времени проходит в ожидании.

Память с ограничениями по пользователям в Microsoft Foundry

Слоь постоянной памяти Microsoft Foundry, официально выпущенный в Build 2026, имеет иной подход:

• Разделение памяти по пользователям. Память каждого пользователя находится в отдельном контейнере Azure Cosmos DB, разделенном по идентификатору, что позволяет сохранять изоляцию контекстов и управлять ими по отдельности.
• Отобранные сигналы длительного хранения, такие как предпочтения, повторяющиеся намерения и краткие сводки результатов, вместо необработанных транскриптов. Транскрипты остаются в хранилище разговоров на стороне сервера, а только сжатые сигналы сохраняются в долгосрочной памяти.
• DevUI — локальный отладчик в браузере для просмотра выполнения агента, операций с чтением и записью в памяти, а также поведения оркестрации в реальном времени.
• Инструменты оценки с отслеживанием, тестированием в реальном времени и автоматизированным анализом путей принятия решений агентом, что важно, поскольку память, ориентированная на пользователя, приводит к специфическим моделям сбоев у конкретных пользователей.

Цель ясна: Microsoft разделяет кратковременный контекст сессии и долгосрочную память пользователя на уровне хранения, тем самым избегая проблем, возникающих при попытке выполнять обе функции в одном хранилище.

Память управляемых агентов Anthropic Claude

Anthropic предоставляет пример использования с самыми высокими показателями производительности в течение года. Функция хранения данных для Claude Managed Agents была запущена в публичной бета-версии 23 апреля 2026 года. Хранение осуществляется в виде файлов в файловой системе, которые агент или вы через API или консоль Claude можете экспортировать, редактировать и управлять.

Результаты первых пользователей выглядят необычайно конкретными:

• Rakuten использует эту функцию хранения, чтобы агенты, выполняющие длительные задачи, не повторяли прошлые ошибки; согласно отчетам, количество ошибок при первой попытке снизилось на 97%, затраты — на 27%, а задержки — на 34%. Все это происходит в рамках определенных границ рабочего пространства. Это самый часто цитируемый показатель за 2026 год, демонстрирующий эффективность использования этой функции.
• Netflix сохраняет контекст между сессиями, включая информацию о последовательных действиях и корректировки, внесенные человеческим рецензентом в ходе разговора, что заменяет необходимость вручную обновлять инструкции.

Wisedocs выполняет проверку документов на управляемых агентах, что позволяет сократить время проверки на 30%, поскольку система использует информацию из памяти о том, в каких шаблонах возникают определенные проблемы, что позволяет агенту избегать повторной ненужной обработки.

Ando использует данные из памяти между сессиями в финансовых рабочих процессах, состоящих из множества шагов.

Anthropic также представила исследовательскую функцию под названием «dreaming»: процесс офлайн-анализа, при котором управляемые агенты воспроизводят результаты прошлых задач для извлечения устойчивых уроков. Это аналогично концепции вычислений во время сна от Letta, но реализованная в масштабах крупнейших технологических компаний.

Общим для всех трех решений является то, что память перестала быть выбором в рамках SDK и превратилась в функцию платформы. Это меняет положение поставщиков open-source, поскольку Mem0, Letta и Zep теперь конкурируют с облачными сервисами, которые уже используются клиентами. Их аргументы сосредоточены на портабельности (Agent File), специализации (би-темпоральная модель Zep) и стоимости (решение Memori с использованием SQL).

Память, которая видит и слышит

Все вышеупомянутые системы исходили из предположения, что память — это текст. В 2026 году это предположение было опровергнуто, и во второй половине года память изображений, видео и голоса превратилась в отдельную область исследований.

M3-Agent из проекта ByteDance Seed (arXiv:2508.09736) является ведущей эталонной моделью. Он принимает потоковые визуальные и аудиальные данные и создаёт мультимодальную графическую структуру памяти, ориентированную на объекты: каждый человек, предмет или место становится узлом, а агент связывает идентификаторы лиц и голосов с этими узлами. Благодаря этому возможно отвечать на вопросы вроде «Что сказал мужчина рядом с Сарой о проекте на прошлой неделе?», чего не может сделать система, построенная исключительно на тексте. Агент работает в двух режимах: цикл запоминания постоянно извлекает из потокового аудио и видео информацию о лицах, голосах и семантических фактах и вносит её в граф, а отдельный цикл управления анализирует этот граф для ответов на вопросы.

Для тестирования этого класса систем команда выпустила M3-Bench, включающий 100 новых видео с точки зрения робота и 929 видео из Интернета, снятых в различных сценариях; в этих видео присутствуют пары вопросов и ответов, предназначенные для оценки понимания человеком информации, извлечения общих знаний и кросс-модального рассуждения. M3-Agent превосходит самые сильные модели, работающие с визуальными данными и текстом (Gemini 1.5 Pro и GPT-4o), опережая их на 6,7, 7,7 и 5,3 балла соответственно в тестах M3-Bench-robot, M3-Bench-web и VideoMME-long.

Количество связанных работ постоянно растет. M2A предлагает двухуровневую гибридную память для персонализированного мультимодального взаимодействия. VideoAgent сохраняет описания общих событий вместе с данными о состоянии отслеживаемых объектов, а WorldMM объединяет эпизодическую, семантическую и визуальную память в видеостримах. Mem-Gallery (arXiv:2601.03515) — это эталонный тест, предназначенный для оценки того, как память сохраняется, организуется и развивается в ходе длительных мультимодальных конверсаций.

Практические последствия просты: веб-камера, общий экран, голосовая связь или документ с цифрами дают агенту сигнал о том, что система, работающая только с текстом, неэффективна. Примерно через год крупные SDK должны предложить инструменты для создания мультимодальной памяти, а граф, ориентированный на сущности в M3-Agent, выглядит как самый надежный вариант для использования в качестве шаблона.

Что измеряют тесты

Большинство сравнений основаны на четырех тестах.

• LongMemEval (NeurIPS 2024, arXiv:2410.10813) включает 500 вопросов по пяти категориям, размещенных в историях чатов разной длины: примерно 115 тыс. токенов для варианта S и около 1,5 млн токенов в 500 сессиях для варианта M. Основной вывод теста — коммерческие ассистенты теряют 30% точности при использовании памяти между сессиями, а в самых сложных категориях — до 60%.

LoCoMo (ACL 2024) посвящён длительным разговорам с сложными вопросами, зависящими от времени и требующими многократных переходов. Mem0 показывает результат +29,6 в части обработки временных аспектов и +23,1 для вопросов с многократными переходами, в то время как MemoryOS демонстрирует улучшение F1 на 48,36% по сравнению с базовыми моделями GPT-4o-mini.

Deep Memory Retrieval основан на работах MemGPT. Zep показывает результат 94,8%, тогда как MemGPT — 93,4%

M3-Bench — первый серьёзный бенчмарк для мультимодальной долгосрочной памяти, использующий видео от роботов и из Интернета. M3-Agent опережает Gemini 1.5 Pro и GPT-4o на 5–8 пунктов.

Теперь учитываются и несколько более новых инструментов. BEAM анализирует память на уровне 1 млн и 10 млн токенов, при этом Mem0 v3 показывает результаты 64,1 и 48,6 соответственно. Context-Bench от Letta (2026) оценивает способность моделей к созданию контекста, то есть понимают ли они, что и когда включать в свой собственный контекст. MemoryAgentBench (ICLR 2026, arXiv:2507.05257) является самым важным новым инструментом в этой области. Его метод заключается в однократном вводе документа с последующими многократными запросами к нему: длинные тексты разбиваются на фрагменты по 512 или 4 096 токенов и обрабатываются в формате многократных обменов сообщениями. Два специально созданных набора данных — EventQA и FactConsolidation — проверяют способность к поиску информации, процесс обучения во время тестирования и умение справляться с противоречивыми фактами. MemBench (arXiv:2506.21605) добавляет ещё один критерий оценки, оценивая агентов по эффективности, производительности и объёму памяти, а также отдельно оценивая фактическую и рефлексивную память, а также участие в процессе по сравнению с простым наблюдением. К концу 2026 года эти два инструмента, вероятно, станут стандартом.

Это способ узнать, зачем на самом деле нужна система памяти, какую роль сыграл LongMemEval для чатов в 2025 году.

Внимание: каждый поставщик проводит тестирование с использованием такой конфигурации, которая наилучшим образом подчеркивает особенности его архитектуры, поэтому стоит обращать внимание на разбивку по категориям, а не только на общий заголовок. В реальных условиях стоимость токенов и задержка имеют такое же значение, как и точность. Повторная обработка всех данных является надлежащей базовой точкой отсчёта, и любой слой памяти, который не может превзойти её по обеим этим показателям одновременно, должен стыдиться. К 2026 году все крупные системы превзойдут этот уровень.

Как сравниваются конструкции

Рассмотрим каждый элемент по отдельности:

• Субстрат. Mem0 использует векторный хранилище с связями типа «центр-спицы» для сущностей. Letta применяет иерархию виртуальной памяти с несколькими уровнями, Zep — временную знаниевую сеть на Neo4j, Cognee — объединенное графовое и векторное хранилища с реляционным компонентом, а Memori SQL — традиционное реляционное хранилище. AgentCore управляется внутри платформы Bedrock, Microsoft Foundry использует Cosmos DB с разделением на пользовательские части, а управляемые агенты Anthropic опираются на файловую систему.
• Типы обрабатываемой памяти. Mem0 обрабатывает семантическую память и сущности. Letta поддерживает все четыре типа памяти по стандарту CoALA. Zep обрабатывает эпизодическую, временно-семантическую и коммунитарную память. LangMem имеет семантическое, эпизодическое и процедурное хранилища; Memori предоставляет семантическую и эпизодическую память в формате SQL; AgentCore хранит структурированные эпизоды, а Foundry — только долговременные сигналы.

Указание пути. Mem0 v3 выполняет извлечение в один проход с последующим удалением дубликатов. Letta редактирует данные в памяти внутри цикла и консолидирует информацию во время периода «сна». Zep записывает би-темпоральные граничные условия, AgentCore объединяет процессы извлечения и инференции в единую стоимость, а Foundry отбирает сигналы, при этом необработанный текст остается в хранилище разговоров.

Темпоральное рассуждение. Mem0 сохраняет метаданные с временными метками. Letta имеет архивные временные метки плюс обработку во время периода «сна». Zep по своей природе является би-темпоральным решением и лидирует в этой области. AgentCore маркирует долгосрочную память с помощью метаданных, а Foundry косвенно учитывает время через типы сигналов.

Сигналы для поиска. Mem0 объединяет семантические оценки, результаты алгоритма BM25 и оценки сущностей. Zep сочетает в себе алгоритмы просечки графов, векторные технологии, алгоритм BM25 и учет времени. Cognee предлагает 14 режимов работы, а Memori опирается на SQL-запросы.

Переносимость. Letta использует открытый стандарт .af, а Anthropic позволяет экспортировать данные в формате файловой системы. Другие решения предлагают экспорт данных, специфичный для конкретных производителей.

Наибольшая подходящесть. Mem0 подходит для быстрой персонализации, голосовых агентов и приложений для потребителей. Letta подходит для долгосрочно работающих агентов в стиле операционных систем и агентов для программирования. Zep ориентирован на предприятия, находящиеся под регулированием и нуждающиеся в аудите, на команды по исследованиям и разработкам Cognee, желающие контроля над графами, а также на небольшие команды Memori, предпочитающие использование SQL. AgentCore подходит для компаний, использующих AWS, Foundry — для компаний, использующих Microsoft, а Claude Managed Agents — для всех, кто уже работает с платформой Claude.

Доказательство эффективности заголовка. Mem0: 94,4 балла на тесте LongMemEval. Zep: 94,8% на тесте DMR. MemoryOS: +48,36% по показателю F1 на тесте LoCoMo. Letta Code: 42,5% на тесте Terminal-Bench — лидер среди агентов с открытым исходным кодом. HippoRAG 2: +7% по показателям ассоциативной памяти. Anthropic с Rakuten: на 97% меньше ошибок при первом прохождении, на 27% ниже затраты и на 34% меньше задержек. M3-Agent: на 5–8 пунктов выше базовых решений для обработки визуально-языковой информации на мультимодальных тестах.

Когда память стала поверхностью для атак

В мае 2026 года память агентов перестала быть вопросом только точности и затрат и превратилась в проблему безопасности.

Сигналы тревоги появились ранее в этом году. В феврале 2026 года Microsoft Security писала о так называемом «отравлении рекомендаций ИИ», то есть практике манипулирования памятью помощника в целях получения прибыли. Затем компания Radware представила демонстрацию концепции под названием ZombieAgent: файл с замаскированной угрозой в электронном письме внедряет данные в память агента ChatGPT, подключенного к почтовому ящику жертвы, после чего каждое взаимодействие запускает эти вредоносные данные и приводит к утечке информации через URL-кодированные каналы. В одном из задокументированных корпоративных случаев захваченный агент для финансового анализа принял поврежденный промежуточный результат и запустил рабочий процесс, который перевел средства без разрешения до того, как кто-либо смог его проверить.

Отравление памяти — это нечто отдельное от обычной инъекции промптов по трём причинам:

• Устойчивость. Внедрение ввода данных нарушает лишь один ответ. Отравленная память портит все последующие ответы, которые используют затронутый ключ.
• Хорошая скрытность. Отравленная запись выглядит точно так же, как законный сохранённый контекст.
• Автономность. Агенты действуют на основе памяти через вызовы инструментов, поэтому отравленная память может вызвать реальные побочные эффекты без участия человека.

Защитные меры были внедрены быстро. OWASP включила проблему отравления памяти в свой список «Топ-10 для агентных приложений 2026» под обозначением ASI06 (Отравление памяти и контекста) и опубликовала эталонную реализацию Agent Memory Guard в середине 2026 года:

• Базовые стандарты SHA-256 для неизменяемых ключей памяти, таких как identity.user_id, что позволяет выявлять любые внешние изменения.

Политики безопасности YAML, которые связывают обнаруженные события (попытки вставки кода, утечка конфиденциальных данных, изменения защищённых ключей, резкие изменения, аномалии размера) с действиями: allow, redact, quarantine или block.

План развития до версии v0.4.0 (3-й квартал 2026 года), включающий обнаружение аномалий с использованием машинного обучения, защиту с помощью векторных хранилищ и панель управления для реального времени.

Разумные минимальные требования к любой реализации в памяти в этом году включают использование TTL, окон действительности, запись информации о происхождении данных при каждой операции записи, криптографические стандарты для ключей идентификации, регулярные тесты на атаки и этап человеческого утверждения перед любым вызовом инструментов, работающих с данными, связанными с деньгами или конфиденциальной информацией. Статья о методах атак и защиты доступна по адресу arXiv:2601.05504, а инструментарий Microsoft Agent Governance Toolkit теперь включает специальные меры защиты ASI06.

Проблемы, которые никто не решил

Даже при наличии полноценного набора мер безопасности остается множество нерешённых вопросов:

• Устаревшая память. То, что сегодня считается верным, завтра может оказаться неверным, а структуры хранения с возможностью только добавления данных со временем портятся. Решением являются TTL и интервалы действительности, хотя они пока не являются стандартом.
• Идентификация между сессиями. Определение того, связаны ли две сессии с одним человеком или одним проектом, остаётся самой сложной нерешённой подпроблемой, особенно в мультиарендной среде Mem0 с тысячами идентификаторов.
• Лимит по количеству извлекаемых данных. Точность достигает пика при трёх-пяти извлекаемых фрагментах памяти, после чего снижается. Основным подходом в практическом применении является объединение векторных, ключевых, сущностных и данных о свежести сигналов; именно поэтому Mem0 v3 поддерживает множественные сигналы.

Учет затрат. Принцип «экономия токенов за счет памяти» справедлив только тогда, когда вызовы нейросети типа extract-and-update обходятся дешевле, чем токены контекста, которые они позволяют сэкономить. Для агентов с низким объемом работы расчеты иногда меняются, поэтому единственной достоверной величиной являются затраты на один успешный результат.

Неверная иерархия классификации. Исследование xMemory 2026 года показало, что 44,91% записей в памяти перераспределяются между уровнями иерархии в действующей системе, что свидетельствует о неэффективности плоской или однократной классификации. Системы, способные переклассифицировать данные, такие как A-MEM, memify от Cognee, агенты Letta для работы во время сна и средний уровень пейджинга MemoryOS, уже считаются лидерами в этой области.

Ограниченная оценка. LongMemEval и LoCoMo являются надежными инструментами, однако они работают только с текстом и предназначены для диалогов. M3-Bench и Mem-Gallery охватывают мультимодальные сценарии, тогда как Context-Bench и Terminal-Bench направлены на агентов, использующих инструменты. Пока никто не создал единого теста для полного оценивания способностей агентов.

Размытие границ между гиперскейлерами и открытым кодом. Данные Rakuten о 97% эффективности Anthropic Managed Agents создают давление на всех поставщиков открытого кода, заставляя их показать сопоставимые результаты.

Выбор в зависимости от ситуации

Практический справочник для 2026 года:

• Персонализация для потребителей и голосовые агенты: Mem0. Он быстро внедряется благодаря совершенным SDK, поддерживаемым в 13 фреймворках, 20 хранилищах векторов и 3 платформах голосового взаимодействия.
• Долгосрочные персональные агенты и тренеры: Letta. Иерархия операционной системы и механизм вычислений в режиме ожидания отлично подходят для задач, рассчитанных на несколько недель.
• Агенты для программирования в частной базе кода: Letta Code, при этом на каждый проект выделяется один агент с состоянием.
• Компании, находящиеся под контролем регуляторов и нуждающиеся в аудите: Zep с Graphiti. Особенностью является двухвременная модель.
• Команды по исследованиям и разработкам, нуждающиеся в управлении графами: Cognee или HippoRAG 2 в качестве основы.
• Команды, уже использующие LangGraph: LangMem — с наименьшей стоимостью интеграции и единственной процедурной памятью первого класса.
• Команды, которые просто хотят использовать SQL: Memori.
• Компании, использующие AWS: Bedrock AgentCore Memory с моделью оплаты по факту использования, доступными версиями и уведомлениями в реальном времени.
• Магазины Microsoft: память с ограничением по пользователю в Azure AI Foundry, с разделением на части через Cosmos DB, отладкой в DevUI и встроенными функциями оценки.
• Команды на платформе Claude: память управляемых агентов Claude, которую можно перемещать в виде файлов, и которая показала самый высокий уровень удовлетворенности клиентов среди всех решений 2026 года.
• Мультимодальные агенты с поддержкой визуальных данных или голоса: шаблон M3-Agent, основанный на графе, ориентированном на сущности, со связями между идентификаторами лиц и голосов. Специального SDK для производственного использования пока не существует, поэтому его приходится создавать самостоятельно.
• Работа в сферах права, здравоохранения или финансов, требующая высокого уровня надежности и соблюдения регулирований: Zep или Cognee, а также политики OWASP Agent Memory Guard, параметры TTL и запись аудита. Никогда не используется хранилище с возможностью только добавления данных.

Куда движется память в будущем

Если посмотреть на период до конца 2026 года и начала 2027 года, выделяются несколько ключевых тенденций.

• Память становится частью архитектуры. Примером может служить Engram в DeepSeek V4: метод поиска на основе хэшинга с временем обработки O(1), способный обрабатывать 1 млн токенов примерно за ту же стоимость, что и 128 К токенов, при этом показывая 97% точности в тестах типа «игла среди сена» на таком масштабе. Дизайн с двумя каналами обработки позволяет разделять поиск статических знаний и вычисления в динамической рабочей памяти, что является наиболее близким подходом среди современных моделей к рассмотрению памяти как архитектурного элемента, а не просто улучшения контекстного окна.

Память и непрерывное обучение сливаются. В статье Meta «Sparse Memory Finetuning» (arXiv:2510.15103) было установлено, что обучение новым фактам с помощью слоев памяти снижает эффективность выполнения задач на 11%, тогда как при полном финтунинге падение составляет 89%, а при использовании метода LoRA — 71%. Это устраняет различие между внешним слоем памяти и внутренней памятью, основанной на параметрах. Модели будущего 2027 года могут включать встроенные слои разреженной памяти, которые будут служить механизмом с низким уровнем забывания для передачи данных из хранилища памяти агента в веса модели.

Память как основа для методов RL. Метод MemRL, предусматривающий запись намерений, опыта и полезности, а также обновление значений Q на основе результатов, превращает процесс воспроизведения информации в сигнал для улучшения стратегии действий. Продуктовые SDK, скорее всего, начнут использовать этот подход к концу 2026 года под названием, например, «вычисление по результатам с учетом весов».

Поиск и память объединяются. HippoRAG 2, A-MEM, MemoryOS и хранилище с связями между сущностями в Mem0 рассматривают историю действий агента как ещё один корпус данных в рамках графа. Будущие решения предоставят единый API для поиска среди документов и памяти агента с использованием общего гибридного серверного ядра.

Консолидация данных во время сна становится стандартом. Агенты Letta, предназначенные для работы во время сна, система Anthropic для генерации «снов» и сегментированное страницирование в MemoryOS разделяют одну идею: оффлайн-обработку, преобразующую временные эпизодические записи в устойчивые семантические знания. Ожидается, что к концу 2026 года каждая крупная платформа выпустит собственную версию такой функции.

Мультимодальная память в SDK. Тесты вроде Mem-Gallery и M3-Bench способствуют развитию в этом направлении. Графовая структура M3-Agent, скорее всего, появится в Mem0, Letta или Zep к 2027 году.

Управление превращается в регулирование. После проектов ZombieAgent и ASI06 журналы аудита, правила хранения данных и процедуры согласованного уничтожения информации станут обязательными требованиями к продукту, а аудиторы, работающие по стандартам SOC 2 и ISO 42001, начнут прямо задавать вопросы о правилах обработки данных.

Процедурная память набирает обороты. Большая часть современных исследований была посвящена семантической и эпизодической памяти. Система хранения процедур LangMem, эволюционирующие заметки A-MEM, саморедактируемая структура данных Letta и технологии генерации снов Anthropic указывают на более важную цель — создание агентов, способных изменять не только свои знания, но и собственное поведение.

Общая память между агентами. Команды агентов, работающих как стая, нуждаются в ресурсе, к которому каждый участник может читать и записывать данные, поскольку локальные хранилища отдельных агентов недостаточны. Для этого используется «доска объявлений» с протоколами передачи данных, а также четкое разделение на реальное время выполнения и постоянную память, сохраняющуюся между выполнениями. API с поддержкой нескольких пользователей в Mem0, общий архивный хранилище в Letta, возможность переноса файлов агентов, а также исследования вроде SRMT для поиска путей с участием нескольких агентов являются первыми шагами в этом направлении.

Частная, локальная память. SuperLocalMemory и SQLite-AI представляют собой достоверную альтернативу решениям, основанным исключительно на облачных технологиях: SQLite, FTS5, методы оценки надежности на основе байесовской статистики и алгоритмы кластеризации Leiden — всё это работает непосредственно на устройстве, без использования ИИ-моделей на этапе поиска информации. Apple, Google и Microsoft разрабатывают среды выполнения агентов на уровне операционных систем, которые в первую очередь сохраняют данные локально; решения, основанные на SQL, такие как Memori и пайплайны извлечения данных в стиле Mem0, должны появиться в мобильных SDK к концу 2026 года.

Инженер по управлению памятью становится отдельной профессией. В отчете Mem0 управление памятью рассматривается как отдельная дисциплина наряду с инжинирингом промптов и контекста; выделяются четыре уровня использования памяти (пользователь, агент, команда и рабочий процесс), каждый из которых имеет своих ответственных лиц, правила хранения данных и профили рисков. Ожидается, что эта должность появится в перечне вакансий в сфере ИИ-инфраструктуры к 2027 году.

Практические выводы

На протяжении большей части эры больших языковых моделей хранение информации было импровизированным решением: скрытый системный промпт, использование данных из старых чатов через технологию RAG или окно объемом в миллион токенов, стоившее 5 долларов за запрос, при этом ответ так и оставался недоступен. В 2026 году это превратилось в полноценный слой с собственными поставщиками, облачными продуктами, критериями оценки, способами записи данных, моделью безопасности и механизмами обработки сбоев.

Если ваш агент по-прежнему будет требовать имя пользователя в понедельник, вы теряете не только точность результатов. Вы продолжаете платить за полный контекст, получая результаты, которые превзойдут даже поиск в памяти объемом 7000 токенов, при этом оставляя открытую неконтролируемую зону уязвимостей, в то время как конкуренты — Mem0 v3, агенты Letta sleep-time, временная сеть Zep, AgentCore, разделенная на части память Foundry или управляемые агенты Claude — уже добиваются экономии. Комбинация 97% / 27% / 34% от Rakuten стала новым эталоном эффективности использования памяти, а сокращение количества токенов на 40% от RevisionDojo предназначено для небольших команд. M3-Agent показывает путь развития в области видеоанализа и голосовых технологий, OWASP Agent Memory Guard выполняет функцию «ремня безопасности», а технология Sparse Memory Finetuning от Meta намекает на то, как в будущем память и веса моделей сольются воедино.

Следующий этап развития агентов не будет зависеть от новых базовых моделей. Он будет основан на рассмотрении памяти как системы: её будут записывать, оценивать, управлять, защищать, консолидировать и совершенствовать так же, как любой другой компонент производственного программного обеспечения. Победят не те агенты, у которых самые большие возможности, а те, которые действительно помнят, помнят информацию в разных форматах и делают это безопасно.