Пам’ять штучного інтелект-агента у 2026 році: Mem0, Letta, Zep та порівняння з хмарними платформами.

Огляд пам’яті штучного агента у 2026 році: типи пам’яті CoALA, Mem0, Letta, Zep, хмарні послуги, критерії оцінки, ризики отруєння даних та вибір оптимальної конфігурації для певних завдань.

Видавець: REACTAPP.TOPДодано на сайт 28 жовт. 2026 р.30 хв читання6816 слів

Джерела: AI Agent Memory in 2026: How Mem0, Letta, and Zep Cut Tokens 90% (and Rakuten Cut Errors 97%)

Якщо ви розпочнете нову сесію з більшістю ШІ-агентів, ви зустрінете незнайомця. Він не знає вашого імені, чим ви займаєтесь, а також того, що вчора провів годину з вами, намагаючись виправити ту саму проблему. Зазвичай для цього доводилося вставляти старий текст у наступне запитання, але це завжди було обтяженням: більше токенів, повільніші відповіді та гірша точність. У 2026 році це обтяження стало занадто великим, щоб його продовжувати терпіти, і з’явилися спеціально створені шари пам’яті, які замінили його.

Кілька цифр демонструють масштаб цих змін. Алгоритм третього покоління Mem0 показав результат 94,4 у тесті LongMemEval, витрачаючи при цьому близько 7 000 токенів на кожен запит; використання повної історії запитів вимагало 25 000 токенів або більше. Час відгуку цього алгоритму за показником p95 знизився на 91% — з 17,12 секунд до 1,44 секунди. Темпоральна графіка знань Zep набрала 94,8% у тесті Deep Memory Retrieval проти 93,4% у MemGPT, причому час відгуку був приблизно на 90% нижчим. 23 квітня 2026 року Anthropic запустив функцію постійної пам’яті для Claude Managed Agents у публічній бета-версії, а Rakuten, один із перших користувачів, повідомив про зниження кількості помилок у перший прохід на 97%, зниження витрат на 27% та зниження часу відгуку для агентів, які виконують завдання протягом тривалого часу, на 34%. AWS та Microsoft перетворили цю саму ідею на продукти для своїх хмар. А у травні 2026 року OWASP розпочав спеціальний проект Agent Memory Guard, оскільки пам’ять, яка зберігається між сеансами, стала мішенню для зловмисників.

Далі йде огляд цієї сфери: що насправді є пам’яттю, як будуються основні системи, що повідомляють, а що не повідомляють тестові критерії, де виникають проблеми з пам’яттю та куди вона рухається.

Проблема амнезії

Кожен, хто протягом останніх кількох років випускав агента, знає цю проблему. Протягом однієї сесії модель працює ефективно. Між сесіями вона поводиться як золота рибка. Кожен вхід починається з нуля, кожна уподобання потрібно запитувати знову, а кожен факт про користувача, проект чи робочий процес доводиться відновлювати з первинних записів або вводити в системний запит, поки витрати на підтримку контексту не стануть домінуючими у загальних витратах на розгортання.

Продукти для споживачів намагалися приховати цю прогалину. У вересні 2024 року OpenAI випустила функцію ChatGPT Memory для всіх платних тарифів, у квітні 2025 року розширила її так, щоб вона враховувала кожну попередню розмову, а у червні 2025 року зробила її доступною для безкоштовних користувачів. У жовтні 2025 року Anthropic додала автоматичну пам’ять до Claude, у березні 2026 року зробила її безкоштовною для всіх, а також випустила інструмент програмної пам’яті для Claude Managed Agents у публічному бета-версії, який створює постійний каталог файлів /memory, що зберігається між сеансами. Це зручні функції, проте жодна з них не є компонентом, який можна вбудувати у власного агента.

Для розробників примітивна альтернатива — повторне оброблення всієї історії при кожному запиті — здається прийнятною у демо-версіях, але не функціонує ефективно у масштабних системах. LongMemEval, бенчмарк NeurIPS 2024 для оцінки пам’яті чат-асистентів, це кількісно підтвердив. Коли обсяг історії досягав близько 115 тисяч токенів, навіть найсучасніші моделі з підтримкою довгого контексту втрачали від 30 до 60 пунктів абсолютної точності порівняно з системою, яка отримує відповідні дані безпосередньо. GPT-4o, який аналізував всю історію, досягав рівня точності від приблизно 60,6% до 64%, тоді як оптимальний показник для таких систем становить від 87% до 92%. Навіть використання окна обсягом у мільйон токенів не допомагає — це лише збільшує обсяг даних, у яких моделі складніше знаходити потрібну інформацію.

До 2026 року галузь дійшла до більш чіткого розуміння: пам’ять — це самостійний компонент. Це не трюк із контекстним вікном, не індекс RAG для записів чату та не шаблон запиту. Це сховище першого класу з власним механізмом запису, правилами видалення даних, API для пошуку, моделлю безпеки та критеріями оцінки. Діяльність відбувається одночасно у чотирьох напрямках:

Опен-сорсні SDK: Mem0, Letta, Zep з Graphiti, Cognee, LangMem та Memori.
Продукти гіперскейлерів: AWS Bedrock AgentCore Memory, пам’ять у межах користувацького профілю в Microsoft Foundry та пам’ять у Claude Managed Agents від Anthropic.
Дослідження: A-MEM, HippoRAG 2, MemoryOS, M3-Agent для багатомодальних вхідних даних, MemRL для саморозвиваючихся агентів, AgeMem та Sparse Memory Finetuning від Meta.

Усередині моделі: DeepSeek V4 (березень 2026 року) представив Engram — конструкцію пам’яті типу O(1), засновану на хешуванні, яка дозволяє обробляти контекст обсягом 1 мільйон токенів приблизно за вартість, еквівалентну 128K токенам, та досягає 97% результату у тестах типу „игла в купі сіна“ при такій довжині. Межа між пам’яттю всередині моделі та пам’яттю у зовнішньому сховищі стає все більш розмитою.

У звіті Mem0 „Стан пам’яті штучних інтелектуальних агентів 2026“ результат цього процесу називається інженерією пам’яті: це галузь застосування з власними показниками ефективності, компромісами та стандартними практиками роботи, яка йде слідом за тим шляхом, яким інженерія запитів призвела до розвитку інженерії контексту. У решті цієї статті використовується саме цей термінологічний апарат, заснований на дослідженні Mem0 ECAI 2025 та його оновленні за квітень 2026 року, дослідженні Zep, тестах LongMemEval та LoCoMo, фреймворку CoALA, роботах у галузі MemGPT та Letta, проекті HippoRAG 2, системі MemoryOS, моделі M3-Agent, сервісі Claude Managed Agents, компоненті AgentCore Memory та рекомендаціях OWASP.

Вікна контексту, RAG та журнали чату — це не пам’ять

Під час майже кожної наради на тему „давайте додамо пам’ять“ виникають три поширені непорозуміння, які варто прояснити, перш ніж архітектури стануть зрозумілими.

Вікно контексту — це не пам’ять. Це вікно має короткий термін існування, є нестабільним та заповнюється заново щоразу під час нового етапу обробки. Пам’ять зберігається між сеансами та має власний рівень зберігання, правила еволюції та політику забування. Вони доповнюють один одного, причому жоден з них не замінює інший. Дослідження LongMemEval показало, що навіть провідні моделі з вікнами обсягом у мільйони токенів втрачають понад 30% точності, коли їм потрібно згадати факти з попередніх сеансів без шару пам’яті.

RAG — це не пам’ять. Класичний метод генерації з підсиленням через пошук шукає у статичному корпусі документи, які вже існують до того, як агент починає спілкуватися з кимось. Пам’ять же аналізує власне минуле агента: повідомлення, виклики інструментів, факти, зазначені користувачем, та узагальнення, отримані на їх основі. Особливістю у 2026 році є механізм запису. Індекс RAG переважно є лише для додавання даних та не має стану, тоді як пам’ять змінюється з часом, може містити суперечливі версії одного й того самого факту, потребує корекції у разі помилки та формується самим агентом.

Журнал чату — це не пам’ять. Транскрипція зберігає все, включаючи непотрібний шум. Пам’ять має містити вилучені факти, такі як „користувач віддає перевагу метричним одиницям“, „термін до кінця 3-го кварталу перенесено на 14 листопада“ або „ключ API Stripe було оновлено 2026-04-12“, кожен з них із джерелом та терміном дії, а не 80 000 токенів дрібних розмов. Саме таке стиснення, здійснене з високою точністю та опубліковане через API, яке можуть перевірити як агент, так і команда з безпеки, є суттю роботи шару пам’яті.

Усі наведені нижче системи прагнуть до однієї мети. Агент повинен діяти так, ніби існують місяці спільної історії, проте обсяг даних має залишатися меншим, ніж при повному відтворенні контексту; агент не повинен вигадувати факти про свого користувача, і ніхто не повинен мати змоги внести погані дані до того, що він запам’ятовує.

Спільний словниковий запас з CoALA

Майже кожна сучасна платформа, чи то Mem0, Letta, LangMem, Cognee, Memori чи AgentCore, використовує ту саму таксономію. Вона походить з роботи CoALA 2023 року від Прінстонського університету та CMU про когнітивні архітектури для мовних агентів, у якій було визначено чотири типи людської пам’яті для агентів на основі ШІ:

Робоча пам’ять — це активне вікно контексту, змінні, які використовуються під час поточного циклу прийняття рішень. Вона є мінливою.
Епізодична пам’ять зберігає конкретний досвід минулого разом із часом та описом подій: „Користувач запитав про webhookи Stripe 4 березня та отримав помилку X.“
Семантична пам’ять містить узагальнені факти: „Користувачу подобаються стислі відповіді“, „Фінансовий рік ACME закінчується 30 вересня.“

Процедурна пам’ять охоплює навички, рутини та код. Вона зазвичай зберігається у вагах моделей, системних запитах та реєстрах інструментів, хоча все більше систем записує її під час виконання. LangMem зберігає набір правил для запитів, а A-MEM підтримує постійно розвиваючуся мережу нотаток.

Це розмежування має значення, тому що кожен постачальник використовує різні підходи. Mem0 переважно орієнтований на семантику. Zep обробляє епізодичну та темпорально-семантичну пам’ять на основі графа знань. Letta надає машину віртуальної пам’яті, яка охоплює усі чотири типи пам’яті. LangMem постачає окремі семантичні, епізодичні та процедурні сховища. A-MEM змішує епізодичну та семантичну пам’ять за допомогою посилань у стилі Zettelkasten, а Memori серіалізує все у форматі SQL. Знання про те, який тип пам’яті оптимізує система, допомагає прийняти половину архітектурних рішень.

Mem0: екстракція, потім оновлення

Mem0 (Y Combinator W24, який у жовтні 2025 року залучив 24 млн доларів від Basis Set, Peak XV, GitHub Fund та Kindred Ventures) у 2026 році став стандартним шаром пам’яті з відкритим кодом, так само як pgvector два роки раніше став стандартним векторним індексом: він обробляв 80% простих випадків за допомогою приблизно трьох рядків коду на Python та ефективно функціонував у продакшені. До середини 2026 року він мав понад 41 000 зірочок на GitHub, понад 14 мільйонів завантажень та 80 000 зареєстрованих розробників, причому кількість викликів API зросла з 35 мільйонів у першому кварталі 2025 року до 186 мільйонів у третьому.

Дизайн Mem0 навмисно простий. Він розташовується між моделлю та сховищем векторів та виконує двокроковий процес для кожної зміни в розмові:

Вилучення інформації. Останній обмін даними між користувачем та асистентом разом із попереднім контекстом надсилається до засобу вилучення даних LLM, який пропонує можливі факти. Тут також відбувається стиснення даних.

Оновлення. Для кожного кандидата Mem0 запускає найбільш схожі збережені спогади та через запит на використання інструменту просить модель обрати один із варіантів: ADD (новий факт), UPDATE (доповнення існуючого факта), DELETE (кандидат суперечить збереженому факту) або NOOP.

Що змінилося у версії 3

Алгоритм v3, який було об’єднано 14 квітня 2026 року, зробив Mem0 стандартним вибором. Вплив мали три переробки:

Витягування з одного проходу та лише додавання нових фактів. Замість того, щоб модель на кожному кроці обирала між ADD, UPDATE, DELETE та NOOP, що призводить до двох викликів LLM та великої кількості токенів, v3 здійснює один прохід витягування, який генерує лише нові факти, та вважає факти, створені агентом, еквівалентними фактам, вказаним користувачем. Усунення дублікатів та поєднання елементів відбуваються пізніше, поза основним процесом обробки.

Багатосигнальне отримання даних. Три алгоритми оцінки працюють паралельно та об’єднуються в один показник: щільна семантична схожість, збіг ключових слів BM25 та збіг ентитетів. Ця комбінація адаптується до тих сигналів, які є у момент запиту.

Пов’язування ентитетів замість графа. У версії v3 була повністю відмовлена варіантна реалізація на основі Neo4j. Тепер ентитети видобуваються за допомогою spaCy без участі ШІ, і зберігаються у супутньому векторному колекції {collection}_entities, де кожен рядок містить список linked_memory_ids. Така структура з центральним вузлом та спицями зберігає більшість переваг графа при значно нижчих витратах на обробку.

Отримані результати:

LoCoMo: загальний рейтинг 92,5; на питання про час — +29,6, а на багатоетапні питання — +23,1 порівняно з використанням повного контексту.
LongMemEval: загалом 94,4, з них +53,6 за запитання до асистента в одній сесії, +42,1 за темпоральне мислення та +16,7 за оновлення знань.
BEAM при 1 млн та 10 млн токенів: 64,1 та 48,6 відповідно.
Витрати на токени: близько 7 000 за кожен запит на отримання даних, порівняно з 25 000 або більше для повного контексту, що на 90% менше.
p95 latency: 1,44 секунди проти 17,12, що на 91% менше.
Порівняння з OpenAI Memory: 66,88% проти 52,90% за загальним рейтингом з використанням LLM як судді, що на 26% краще.

Вплив у продакшені

У документації з інтеграції Mem0 перелічено 21 фреймворк та платформу як для Python, так і для TypeScript, серед них LangChain, LangGraph, LlamaIndex, CrewAI, AutoGen, Vercel AI SDK, AgentOps та Raycast, а також 20 бекендів для зберігання векторних даних, зокрема Qdrant, Chroma, Weaviate, Pinecone та pgvector. Його також можна запустити як сервер MCP, що дозволяє Claude Code, Cursor чи будь-якому іншому клієнту з підтримкою MCP взаємодіяти з ним. Голосові агенти ідеально підходять, оскільки існують спеціальні інтеграції з ElevenLabs Conversational AI (асинхронні інструменти addMemories та retrieveMemories через виклик функцій), LiveKit та Pipecat.

Найбільш відомою історією клієнта є RevisionDojo — освітня платформа, яка замінила свою систему персоналізації з повним контекстом на Mem0 та зафіксувала зниження витрат на токени на 40%, а також покращення персоналізованого навчання. Mem0 стверджує, що тисячі команд, від стартапів до компаній зі списку Fortune 500, використовують його у продакшені, проте імена лише кількох великих компаній є публічними.

Letta: пам’ять як операційна система віртуальної пам’яті

Якщо Mem0 виконує функцію плагін-API, то Letta виступає як операційна система. Вона була створена у 2024 році в лабораторії Sky Computing Lab у Берклі як продакшен-наступник дослідження MemGPT (arXiv:2310.08560) та розглядає вікно контексту моделі як RAM, навмисно здійснюючи завантаження та зберігання інформації. Вона має три чітко визначені рівні:

Основна пам’ять є еквівалентом RAM: невеликий блок, який завжди знаходиться в контексті та містить ідентичність, персону та стан активного завдання.

Пам’ять зі зворотним пошуком функціонує як кеш диска: історія розмов, яку можна шукати, зберігається поза вікном.

Архівна пам’ять є холодним сховищем: довгострокові семантичні дані, які агент записує сам.

Три особливості дизайну відрізняють Letta від усіх інших аналогів.

Самокоригуюча пам’ять. Агент підтримує власну пам’ять під час виконання завдань за допомогою інструментів на кшталт core_memory_append, archival_memory_insert та memory_replace. У фоновому режимі не працює окремий механізм вилучення даних. Модель при прийнятті рішень визначає, що варто зберегти.

Обчислення під час сну. Ви можете додати окремий агент, який працює асинхронно під час перерви основного агента. Він аналізує історію розмов, отримані файли та сліди діяльності інструментів, створюючи стислий блок засвоєного контексту, який основний агент завантажує під час наступної своєї дії. Агент під час сну може використовувати іншу, зазвичай більшу, модель, ніж основна, тож ви економите ресурси під час обробки запитів та витрачаєте більше під час узагальнення інформації. Це протилежно до звичайного способу масштабування авторегресивних моделей та нагадує процес, за допомогою якого мозок під час сну перетворює епізодичні спогади на семантичні.

Файл агента (.af). Letta оприлюднила у відкритому доступі формат серіалізації, який об’єднує системні інструкції, редаговані блоки пам’яті, код інструментів та схеми, а також налаштування моделі в один файл. Такі файли можна зберігати у вигляді контрольних точок, версіонувати та переміщувати між сумісними середовищами виконання, що є найближчим еквівалентом образу Docker для агентів із станом у цій галузі. Під час експорту конфіденційна інформація видаляється.

Letta Code та його оцінка Terminal-Bench

Наприкінці 2025 року Letta випустила Letta Code — агента для програмування з командного рядка у відкритому коді, створеного на основі її SDK для агентів із станом. Аргумент полягає у тому, що інструменти, засновані на сеансах, такі як Cursor, Aider чи Cline, починають роботу з нуля щоразу, тоді як агент із станом накопичує знання про структуру проекту, ваші уподобання, попередні сеанси відлагодження та стандарти команди. На кожен проект виділяється один агент, і він існує стільки, скільки і проект.

Твердження щодо показників продуктивності є конкретним. У тесті Terminal-Bench Letta Code посідає перше місце серед агентів відкритого коду, незалежних від конкретної моделі, з загальним показником 42,5% (четверте місце в загальному заліку та друге серед агентів, створених на основі Claude 4 Sonnet); код агента складається менше ніж з 200 рядків разом із SDK. Він може перемикатися між Claude, GPT, Gemini, GLM та Kimi, зберігаючи пам’ять у недоторканному вигляді, саме для цього була розроблена сценарійна структура Agent File.

Zep та Graphiti: часова графічна структура знань

Як Mem0, так і Letta використовують сховище векторів як основну базу даних. Zep (arXiv:2501.13956) обирає протилежний підхід, моделюючи пам’ять як часову графічну структуру знань. Graphiti, його двигун відкритого коду, ґрунтується на трьох шарах підграфів та бі-часовій моделі, яка окремо відстежує момент виникнення події та момент, коли система про неї дізналася.

Підграф епізоду зберігає первинні, високоякісні дані (повідомлення у розмовах, документи JSON, знімки транзакцій), кожен з яких має позначку часу початку відповідної події. Його ніколи не переписують.
Підграф семантичних ентитетів містить вилучені ентитети та факти, представлені у вигляді 1024-вимірних векторів, пов’язаних між собою за допомогою типованих взаємозв’язків. Ентитети мають інтервали дійсності.
Підграф спільнот формує кластери вищого порядку на рівні ентитетів за допомогою методу виявлення спільнот з поширенням міток, який оновлюється поступово, на відміну від методу Leiden.

Бі-темпоральна модель — це та частина, яку найважче скопіювати за допомогою звичайного сховища векторів. Кожна грань у Graphiti містить чотири позначки часу:

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

Цей дизайн дозволяє Zep так само легко відповідати на запитання „У що вірив агент минулого вівторка?“ як і на запитання „Що діє зараз?“. Саме цього потребують команди з контролю дотримання правил та всі, хто захищає попередні рішення агентів. Якщо користувач змінює роботодавця, попередній запис не видаляється: попередній факт позначається як t_invalid, додається новий, і обидва залишаються доступними для пошуку.

Результати дослідження Zep: 94,8% у завданні Deep Memory Retrieval проти 93,4% у MemGPT; точність на рівні 18,5% вища у тесті LongMemEval з приблизно на 90% нижчою затримкою, ніж при використанні повного контексту. Незалежні порівняння показують, що метод пошуку у форматі графа, включаючи Graphiti, на 35% перевершує за точністю метод пошуку лише векторів у багатоетапних реляційних запитах.

Інші варіанти з відкритим кодом

Ці три рішення — не єдині. Існує ще кілька дизайнів, які заслуговують уваги.

Cognee

Cognee (близько 12 000 зірок на GitHub станом на середину 2026 року) об’єднує граф, векторний та реляційний сховища під одним API. Прийом даних відбувається через шестиступінчасту систему обробки „cognify“, після чого йде процес самооптимізації „memify“, який видаляє застарілі вузли, коригує вагу ребер залежно від частоти їх використання та додає похідні факти. Доступно чотирнадцять режимів пошуку — від простої схожості векторів до просування по графу з використанням логіки мислення, а також є сервер MCP.

LangMem

SDK LangChain пропонує можливості зберігання пам’яті у двох точках інтеграції: у синхронних інструментах, які агент використовує під час кожного кроку, та у фоновому менеджері, який асинхронно вилучає, об’єднує та усуває дублікати інформації. Він має першокласні механізми зберігання семантичних, епізодичних та процедурних даних, і є єдиним основним SDK, який розглядає процедурну пам’ять, наприклад „якщо користувач просить ‘негайно’, підвищити пріоритет“, як ключову функцію.

Memori

Memori (Memori Cloud було запущено 2 березня 2026 року) зберігає дані у SQLite чи Postgres, а не у векторній базі даних. Це забезпечує повний контроль над даними без необхідності створення нової інфраструктури, а проект стверджує про зниження витрат на обробку даних на 80%–98% завдяки використанню лише релевантного контексту, отриманого за допомогою SQL. Одна рядок коду на Python дозволяє додати постійну пам’ять до агента OpenAI, Anthropic чи LangChain.

A-MEM

A-MEM (NeurIPS 2025, arXiv:2502.12110) перетворює кожну пам’ять на атомну записку у стилі Zettelkasten із структурованими атрибутами. Нова записка посилається на старіші та оновлює їхні атрибути з урахуванням нової інформації, тож мережа продовжує розвиватися. Це найбільш „жива“ архітектура в науковій літературі, і вона перевершує найсучасніші рішення у проєкті LoCoMo у шести базових моделях.

HippoRAG 2

HippoRAG 2 (ICML 2025, arXiv:2502.14802) витягує трипли відкритих графів знань з уривків тексту та поєднує синоніми, створюючи те, що автори називають штучним гіппокампічним індексом. Під час запиту він застосовує метод Personalized PageRank, починаючи з початкових вузлів, імітуючи процес завершення гіппокампічних патернів. Він демонструє 7% покращення у роботі з асоціативною пам’яттю порівняно з найсильнішими щільними базовими рішеннями, і все частіше використовується як шар пошуку в архітектурах у стилі Zep та Cognee.

MemoryOS

MemoryOS (EMNLP 2025 Oral, arXiv:2506.06326) є дослідницьким аналогом Letta. Він формалізує три рівні особистої пам’яті – короткострокову, середньострокову та довгострокову – із чіткими правилами переходу: принцип «перший прийшов – перший вийшов» від короткострокової до середньострокової пам’яті та сегментована організація сторінок від середньострокової до довгострокової. Чотири модулі (зберігання, оновлення, пошук, генерація) функціонують на всіх рівнях. На базі LoCoMo з GPT-4o-mini він досягає показників F1 на рівні +48,36% та BLEU-1 на рівні +46,18%, що є найбільшим покращенням серед усіх статей 2025 року за цими критеріями. Очікується, що технологія середньострокового сторінкування потрапить у промислові SDK протягом 2026 року.

MemRL

MemRL (січень 2026 року) — це найновіший напрямок, на який варто звернути увагу. Він розглядає пам’ять як основу для навчання з посиленням. Кожна взаємодія фіксується у вигляді трійки (Намір, Досвід, Корисність), де корисність — це навчений Q-значення, яке показує, наскільки добре цей досвід сприяв виконанню схожих намірів. Двофазний механізм пошуку виявляє найкорисніші минулі досвіди для поточного завдання, а Q-значення оновлюються під час роботи агента. Пам’ять агента стає «розумнішою», а не просто об’ємнішою, що є максимально можливим наближенням до навчання на основі досвіду без зміни ваг моделі.

SuperLocalMemory

SuperLocalMemory (arXiv:2603.02240) рухається у протилежному напрямку – від хмари до пристрою. Ця система з множинними агентами, яка віддає пріоритет локальним даним, базується на SQLite з функціями повного текстового пошуку FTS5, кластеризує свою графіку знань за допомогою алгоритму Leiden, координує дії через шар, заснований на подіях, з врахуванням походження даних кожного агента, та захищається від фальсифікацій за допомогою бейзіанського оцінювання довіри; усе це без залежності від хмари та без використання моделей LLM у процесі пошуку інформації. Разом із більш повною стеком SQLite-AI, який об’єднує функції інференсу, пошуку, зберігання даних, аналітики та синхронізації в одному файлі, цей підхід є надійним варіантом для збереження приватності у персональних агентах, регульованих робочих завданнях та системах на периферії.

AgeMem

AgeMem (2026) розширює чотири операції оновлення Mem0 до шести інструментів, а саме ADD, UPDATE, DELETE, RETRIEVE, SUMMARY та FILTER, а також додає правила TTL, щоб старі дані виходили з ужитку. Його мета — це те, що галузь почала сприймати серйозно лише цього року: сховище, яке постійно зростає, у кінцевому підсумку отруює саме себе.

Гіпермасштабні провайдери вступають у гру

Найбільшою подією 2026 року стало те, що постачальники хмарних послуг перестали спостерігати збоку. Усі троє провідних компаній протягом приблизно шести місяців випустили продукти з пам’яттю як основний компонент.

AWS Bedrock AgentCore Memory

AgentCore Memory був представлений на AWS Summit New York у 2025 році та поступово вдосконалювався протягом 2026 року; це продуктована версія від Amazon:

Короткострокова пам’ять фіксує стан сесії крок за кроком.

Довгострокова пам’ять автоматично виділяє уподобання користувача, ключові факти та підсумки сеансів між ними.

Структуровані епізоди (зазвичай будуть доступні у 2026 році) фіксують контекст, логіку, дії та результати кожного епізоду, щоб агенти могли вчитися на минулих діях, а не лише на фактах.

Метадані довгострокової пам’яті (травень 2026 року) дозволяють створювати теги, фільтрувати та знаходити інформацію за допомогою структурованих атрибутів поруч із семантичним пошуком.

Повідомлення у потоці (березень 2026 року) усувають необхідність періодичного перевіряння змін у пам’яті.

Кероване зберігання сеансів (попереднє тестування у березні 2026 року) зберігає стан файлової системи під час зупинки та відновлення роботи агента.

Ціноутворення: 0,75 долара за 1 000 записів для операцій з пам’яттю, з вбудованою функцією обробки даних. AgentCore Runtime коштує 0,0895 долара за годину роботи vCPU та 0,00945 долара за годину роботи GB; час очікування на введення-виведення не оплачується, що має значення, оскільки завдання агентів проводять від 30% до 70% свого часу у стані очікування.

Пам’ять у межах користувача в Microsoft Foundry

Шар постійної пам’яті Microsoft Foundry, про який було оголошено як загальнодоступний на Build 2026, має іншу структуру:

Розділення за користувачами. Пам’ять кожного користувача знаходиться у власному контейнері Azure Cosmos DB, розділеному за ідентичністю, тож контексти залишаються окремими та керуються по одному.
Відібрані, довготривалі сигнали, такі як уподобання, повторювані наміри та узагальнені результати, замість необроблених транскриптів. Транскрипти залишаються у сховищі розмов на серверному рівні, а лише стиснуті сигнали стають частиною довготривалої пам’яті.
DevUI — це локальний дебагер, який працює в браузері та дозволяє спостерігати за виконанням агента, операціями зчитування та запису пам’яті, а також за поведінкою оркестрації в реальному часі.
Інструменти оцінки з функціями відстеження, тестування з повторним виконанням та автоматизованим перевіренням шляхів прийняття рішень агентом, що має велике значення, оскільки пам’ять, прив’язана до користувача, призводить до специфічних моделей збоїв.

Стратегія Microsoft чітка: вона розділяє короткотривалий контекст сеансу та довготривалу пам’ять користувача на рівні зберігання, уникаючи проблем, які виникають, коли одне сховище має виконувати обидві функції.

Пам’ять керованих агентів Anthropic Claude

Anthropic надає приклад використання з найвищими показниками обробки даних у році. Функція пам’яті для Claude Managed Agents була випущена у публічній бета-версії 23 квітня 2026 року. Зберігання даних здійснюється у вигляді файлів у файловій системі, які агент чи ви через API чи Claude Console можете експортувати, редагувати та керувати.

Результати ранніх користувачів є надзвичайно конкретними:

Rakuten використовує пам’ять, щоб агенти, які виконують тривалі завдання, уникали повторення минулих помилок; компанія повідомляє про зниження кількості помилок на 97%, витрат — на 27% та затримок — на 34%, причому все це відбувається в межах робочого простору. Це найчастіше цитований показник 2026 року щодо ефективності використання пам’яті.
Netflix зберігає контекст між сеансами, включаючи інформацію з кількох етапів розмови та корекції, які вносить людський рецензент під час спілкування, що замінює необхідність ручного оновлення інструкцій.

Wisedocs виконує перевірку документів на керованих агентах та досягає швидкості перевірки на 30% вищої, оскільки завдяки записам у пам’яті про проблеми, які повторюються в певних шаблонах, агент може пропустити зайвий повторний аналіз.

Ando використовує пам’ять між сеансами у фінансовому робочому процесі з багатьма кроками.

Anthropic також представила дослідницьку функцію під назвою „dreaming“: процес офлайн-роздумів, під час якого керовані агенти переглядають результати попередніх завдань, щоб винести постійні уроки. Це та сама ідея, що й система обробки даних під час сну від Letta, але на масштабах гіперскейлерів.

Те, що об’єднує ці три рішення, — це те, що пам’ять більше не є вибором SDK, а стала функцією платформи. Це змінює положення постачальників відкритого коду, адже Mem0, Letta та Zep тепер конкурують із хмарними сервісами, які вже використовують клієнти. Їхні аргументи спрямовані на портативність (Agent File), спеціалізацію (бі-темпоральна модель Zep) та вартість (пропозиція Memori з використанням SQL).

Пам’ять, яка бачить та чує

Усі вищезгадані системи передбачають, що пам’ять — це текст. У 2026 році ця припущення зазнало змін, і у другій половині року пам’ять у вигляді зображень, відео та голосу перетворилася на окрему галузь досліджень.

M3-Agent від ByteDance Seed (arXiv:2508.09736) є провідним зразком проектування. Він приймає прямий візуальний та аудіальний вхід та створює багатомодальну графічну структуру пам’яті, орієнтовану на об’єкти: кожна людина, предмет чи місце стає вузлом, а агент пов’язує ідентифікатори облич та голосів із цими вузлами. Це дозволяє відповідати на запитання на кшталт „Що сказав чоловік поруч із Сарою про проект минулого тижня?“, що неможливо зробити за допомогою системи, побудованої лише на тексті. Він виконує два процеси: цикл запам’ятовування постійно витягує з потокового аудіо та відео обличчя, голоси та семантичні дані у граф, а окремий цикл керування аналізує цей граф для відповідей на запитання.

Щоб протестувати цю категорію систем, команда оприлюднила M3-Bench із 100 новозаписаних відео з точки зору робота та 929 відео з Інтернету у різних сценаріях; у них є парами запитань та відповідей, які перевіряють розуміння людини, здатність до отримання загальних знань та міжмодальне мислення. M3-Agent перевершує найсильніші базові моделі для обробки зору та мови (Gemini 1.5 Pro та GPT-4o) з перевагами у 6,7, 7,7 та 5,3 бали відповідно на тестах M3-Bench-robot, M3-Bench-web та VideoMME-long.

Кількість пов’язаних досліджень зростає. M2A пропонує двошарову гібридну пам’ять для персоналізованої багатомодальної взаємодії. VideoAgent зберігає описи загальних подій разом із станами відстежуваних об’єктів, а WorldMM створює епізодичну, семантичну та візуальну пам’ять на основі відеострімів. Mem-Gallery (arXiv:2601.03515) — це бенчмарк, створений для вимірювання того, як пам’ять зберігається, організовується та розвивається протягом тривалих багатомодальних розмов.

Практичні наслідки прості. Веб-камера, спільний екран, голосовий канал чи документ, наповнений цифрами, дають агенту сигнал про те, що магазин, який працює лише з текстом, є недостатнім. Протягом приблизно року великі SDK мають запропонувати багатомодальні елементи для формування пам’яті, а граф, заснований на ентитетах у M3-Agent, виглядає як найбільш перспективний варіант для створення шаблону.

Що вимірюють тестові сценарії

Чотири тестові сценарії є основою для більшості порівнянь.

LongMemEval (NeurIPS 2024, arXiv:2410.10813) включає 500 запитань у п’яти категоріях, розміщених у історіях чату різної довжини: приблизно 115 тис. токенів для варіанту S та близько 1,5 млн токенів у 500 сеансах для варіанту M. Основний результат дослідження полягає у тому, що комерційні асистенти втрачають 30% точності у зберіганні пам’яті між сеансами та до 60% у найскладніших категоріях.

LoCoMo (ACL 2024) спрямований на довгі розмови з складними запитаннями, що залежать від часу та передбачають кілька етапів обробки інформації. Mem0 досягає показника +29,6 у частині обробки інформації в часовому контексті та +23,1 у ситуаціях з кількома етапами, тоді як MemoryOS демонструє покращення F1 на 48,36% порівняно з базовими моделями GPT-4o-mini.

Deep Memory Retrieval є розвитком технологій MemGPT. Zep досягає рейтингу 94,8%, тоді як MemGPT — 93,4%.

M3-Bench є першим серйозним бенчмарком для перевірки багатомодальної довгострокової пам’яті, який використовує відео роботів та веб-відео. M3-Agent випереджає Gemini 1.5 Pro та GPT-4o на 5–8 балів.

Кілька новіших інструментів також враховуються. BEAM аналізує пам’ять на рівні 1 мільйона та 10 мільйонів токенів, причому Mem0 v3 показує результати 64,1 та 48,6 відповідно. Context-Bench від Letta (2026) оцінює здатність моделей до проектування контексту, тобто чи знає модель, що та коли слід включити до свого контексту. MemoryAgentBench (ICLR 2026, arXiv:2507.05257) є найважливішим новим інструментом у цій галузі. Його принцип полягає у тому, щоб один раз ввести документ, а потім неодноразово його запитувати: довгі тексти розділяються на фрагменти по 512 або 4 096 токенів та використовуються у форматі багаторазових обмінів. Два спеціально створені набори даних – EventQA та FactConsolidation – перевіряють здатність до пошуку інформації, навчання під час тестування та роботу з суперечливими фактами. MemBench (arXiv:2506.21605) додає ще один критерій оцінки – ефективність, продуктивність та ємність агентів, окремо оцінюючи фактичну та рефлексивну пам’ять, а також участь проти простого спостереження. До кінця 2026 року ці два інструменти, ймовірно, стануть стандартом.

Це спосіб запитати, що насправді робить система пам’яті та яку роль відіграла LongMemEval у чатах у 2025 році.

Увага: кожен постачальник проводить тестування з тією конфігурацією, яка найкраще підкреслює особливості його архітектури, тому краще читати детальний розбір категорій, а не лише заголовки. У продакшені вартість токенів та затримка мають таке ж значення, як і точність. Повторне відтворення всього є легітимною базою для порівняння, і будь-який шар пам’яті, який не може перевершити його в обох аспектах одночасно, повинен почуватися приниженим. До 2026 року всі основні системи подолають цей рівень.

Як порівнюються дизайни

Розглядаємо кожну характеристику окремо:

Субстрат. Mem0 використовує сховище векторів із зв’язками типу «хаб-спок». Letta використовує ієрархію віртуальної пам’яті з різними рівнями, Zep — темпоральну граф-структуру на Neo4j, Cognee — уніфіковану граф-структуру, сховище векторів та реляційну базу даних, а Memori SQL. AgentCore керується всередині Bedrock, Microsoft Foundry використовує Cosmos DB з розділенням на користувацькі частини, а Managed Agents від Anthropic — файлову систему.
Типи пам’яті, які підтримуються. Mem0 охоплює семантичну пам’ять та ентитети. Letta підтримує всі чотири типи CoALA. Zep обробляє епізодичну, темпорально-семантичну та спільнотну пам’ять. LangMem має семантичне, епізодичне та процедурне сховища, Memori — семантичну та епізодичну пам’ять у форматі SQL, AgentCore — структуровані епізоди, а Foundry підтримує лише довготривалі сигнали.

Запис шляху. Mem0 v3 виконує вилучення за один прохід із подальшим усуненням дублікатів. Letta редагує пам’ять усередині циклу та консолідує дані під час періоду «сну». Zep записує бі-темпоральні краї, AgentCore об’єднує процес вилучення та інференцію у свою ціну, а Foundry сортує сигнали, при цьому необроблений текст залишається у сховищі розмов.

Темпоральне мислення. Mem0 зберігає метадані з часовими позначками. Letta має архівні часові позначки та обробку під час періоду «сну». Zep є вбудовано бі-темпоральним та лідирує в галузі в цьому аспекті. AgentCore позначає довгострокову пам’ять метаданими, а Foundry неявно керує часом через типи сигналів.

Сигнали для пошуку. Mem0 поєднує семантичні оцінки, BM25 та оцінки елементів. Zep комбінує перебір графа, вектори, BM25 та час. Cognee пропонує 14 режимів, а Memori спирається на запити SQL.

Переносність. Letta використовує відкритий стандарт .af, а Anthropic дозволяє експорт файлової системи. Інші пропонують формати даних, специфічні для виробника.

Найкраща підходящість. Mem0 підходить для індивідуалізації, голосових агентів та додатків для споживачів. Letta підходить для агентів, що працюють тривалий час у стилі операційних систем, та для агентів з можливостями програмування. Zep орієнтований на підприємства, які підлягають регулюванню та потребують аудиту, на команди з досліджень та розробок Cognee, які хочуть контролювати графи, а також на невеликі команди Memori, які віддають перевагу SQL. AgentCore підходить для компаній, що використовують AWS, Foundry — для компаній, що використовують Microsoft, а Claude Managed Agents — для всіх, хто вже працює на платформі Claude.

Ключові показники ефективності. Mem0: 94,4 у тесті LongMemEval. Zep: 94,8% у тесті DMR. MemoryOS: +48,36% показника F1 у тесті LoCoMo. Letta Code: 42,5% у тесті Terminal-Bench — найкращий серед агентів з відкритим кодом. HippoRAG 2: +7% у тестах асоціативної пам’яті. Anthropic з Rakuten: на 97% менше помилок при першому проходженні, на 27% нижча вартість та на 34% менша затримка. M3-Agent: на 5–8 балів випереджає базові рішення для обробки зорово-мовної інформації у багатомодальних тестах.

Коли пам’ять стала поверхнею для атак

У травні 2026 року пам’ять агентів перестала бути лише фактором точності та вартості та стала проблемою безпеки.

Ознаки небезпеки з’явилися раніше цього року. У лютому 2026 року Microsoft Security писала про „отруєння рекомендаціями ШІ“, тобто практику маніпулювання пам’яттю асистента заради прибутку. Пізніше Radware представила демонстраційний приклад під назвою ZombieAgent: файл із підривною програмою у електронному листі встановлює дані в пам’ять агента ChatGPT, підключеного до поштової скриньки жертви, після чого кожна взаємодія активує ці отруєні дані та витікає інформація через URL-кодовані бокові канали. У одному з задокументованих корпоративних сценаріїв агент з фінансового аналізу, який був захоплений зловмисником, прийняв спотворений проміжний результат та розпочав процес, який переказував кошти без дозволу ще до того, як хтось міг його перевірити.

Отруєння пам’яті — це щось інше, ніж звичайна ін’єкція запиту, з трьох причин:

Стійкість. Введення шкідливого коду спотворює лише одну відповідь. Заражена пам’ять спотворює кожну наступну відповідь, яка використовує пошкоджений ключ.
Добра прихованість. Заражений запис виглядає абсолютно так само, як законний збережений контекст.
Автономність. Агенти діють на основі пам’яті через виклики інструментів, тому заражена пам’ять може спричинити реальні побічні ефекти без участі людини.

Захист з’явився швидко. OWASP включила проблему отруєння пам’яті до свого списку „Топ-10 для агентних додатків“ 2026 року під кодом ASI06 (Отруєння пам’яті та контексту) та оприлюднила референтну реалізацію Agent Memory Guard у середині 2026 року:

Базові значення SHA-256 для незмінних ключів пам’яті, таких як identity.user_id, що дозволяє виявляти будь-які зміни поза межами стандартних процедур.

Політики безпеки YAML, які пов’язують виявлення (спроби вставки, витік конфіденційних даних, зміни захищених ключів, швидкі зміни, аномалії розміру) із діями: allow, redact, quarantine або block.

План розвитку до версії v0.4.0 (3-й квартал 2026 року), який передбачає використання методів машинного навчання для виявлення аномалій, захист через сховища векторів та панель живого моніторингу.

Розумні мінімальні вимоги для будь-якої реалізації в пам’яті цього року включають використання TTL, термінів дії, запису походження даних під час кожної зміни, криптографічних стандартів для ключів ідентифікації, регулярні тести на атаки, а також крок людського схвалення перед будь-яким використанням інструментів, які працюють з пам’яттю та стосуються грошей чи конфіденційних даних. Стаття про атаки та заходи захисту доступна за адресою arXiv:2601.05504, а інструментарій управління Agent від Microsoft тепер містить чіткі заходи пом’якшення ASI06.

Проблеми, які ніхто не вирішив

Навіть за наявності повного комплексу засобів безпеки багато аспектів залишаються нерозв’язаними:

Застаріла пам’ять. Те, що сьогодні вважається правдою, завтра може стати помилкою, а сховища з можливістю лише додавання даних починають «псуватися». TTL та інтервали дійсності є рішенням, хоча поки що не є стандартними.
Ідентичність між сеансами. Визначення того, чи стосуються два сеанси однієї особи чи одного проекту, є найскладнішою нерозв’язаною підпроблемою, особливо у багатокористувацькому просторі імен Mem0 з тисячами ідентичностей.
Обмеження у отриманні даних. Точність досягає піку при отриманні від трьох до п’яти фрагментів пам’яті, а потім знижується. Об’єднання векторних, ключових, ентитетних та сигналів свіжості є стандартом у практичному застосуванні, саме тому Mem0 v3 була розроблена з підтримкою кількох сигналів.

Бухгалтерський облік витрат. Принцип «Збереження токенів завдяки пам’яті» діє лише тоді, коли витрати на виклик моделі типу LLM з функцією видобутку та оновлення даних є нижчими, ніж кількість контекстних токенів, яку можна заощадити. Для агентів з низьким обсягом роботи ця формула іноді змінюється, тому єдиним достовірним показником є вартість за кожен успішний результат.

Неправильна ієрархія класифікації. Дослідження xMemory 2026 року показало, що 44,91% записів у пам’яті перерозподіляються між різними рівнями ієрархії в діючих системах, що свідчить про недостатню ефективність плоскої чи одноразової класифікації. Системи, які здійснюють перекласифікацію, такі як A-MEM, memify від Cognee, агенти Letta для роботи під час сну та середньорівневе пейинг MemoryOS, є одними з перших переможців у цьому напрямку.

Обмежена оцінка. LongMemEval та LoCoMo є надійними, але працюють лише з текстом та орієнтовані на діалоги. M3-Bench та Mem-Gallery розширюють можливості до багатомодальних форматів, тоді як Context-Bench та Terminal-Bench орієнтовані на агентів, які використовують інструменти. Поки що ніхто не створив жодного тесту для повноцінного оцінювання всіх аспектів роботи агентів.

Розмита межа між гіперскейлерами та відкритим кодом. Показник 97% від Rakuten щодо Anthropic Managed Agents створює тиск на кожного постачальника відкритого коду, щоб досягти подібних результатів.

Вибір залежно від ситуації

Практичний посібник для 2026 року:

Персоналізація для споживачів та голосові агенти: Mem0. Він швидко інтегрується завдяки готовим SDK для 13 фреймворків, 20 баз даних векторних даних та 3 платформ голосового зв’язку.
Довготривалі персональні агенти та тренери: Letta. Ієрархія ОС та механізм обчислень під час перерви ідеально підходять для завдань, що тривають кілька тижнів.
Агенти для програмування у приватній базі коду: Letta Code – один агент із станом на кожен проект.
Компанії, які потребують аудиту: Zep у поєднанні з Graphiti. Основною перевагою є бі-темпоральна модель.
Команди з досліджень та розробок, які хочуть керувати графами: Cognee або HippoRAG 2 як основа.
Команди, які вже використовують LangGraph: LangMem – з найнижчою вартістю інтеграції та єдиним процедурним запам’ятовуванням першого класу.
Команди, які просто хочуть використовувати SQL: Memori.
Компанії AWS: Bedrock AgentCore Memory – з моделлю оплати за використання, постійно доступними версіями та сповіщеннями у реальному часі.
Магазини Microsoft: пам’ять, налаштована під користувача в Azure AI Foundry, з розділенням даних за допомогою Cosmos DB, функціями налагодження DevUI та вбудованими засобами оцінки.
Teams на платформі Claude: пам’ять управлінських агентів Claude, яку можна переносити у вигляді файлів, та найкращі результати задоволеності клієнтів у 2026 році.
Багатомодальні агенти з функціями розпізнавання зображень чи голосу: патерн M3-Agent, який використовує граф, орієнтований на об’єкти, для поєднання ідентифікаторів облич та голосу. Поки що не існує готового SDK, тож його потрібно створити самостійно.
Робота в сферах права, охорони здоров’я чи фінансів, що вимагає високого рівня довіри та регулювання: Zep чи Cognee, а також політики OWASP Agent Memory Guard, таймери видалення даних (TTL) та журнал аудиту. Ніколи не використовувати сховища з можливістю лише додавання даних.

Куди рухатиметься пам’ять у майбутньому

Якщо подивитися на період до кінця 2026 року та 2027 рік, виділяються кілька тенденцій.

Пам’ять стає частиною архітектури. Engram у DeepSeek V4 є провідним прикладом: забезпечує отримання даних за алгоритмом хешування з часом виконання O(1), може обробляти 1 млн токенів приблизно за витрати, еквівалентні обробці 128 К токенів, та досягає 97% точності у тестах типу „игла в купі сіна“ на такому рівні. Дизайн із подвійним шляхом розділяє отримання статичних знань та обчислення в динамічній робочій пам’яті, що є найближчим до того, як сучасні моделі можуть розглядати пам’ять як архітектурний елемент, а не лише як тимчасовий механізм у контекстному вікні.

Пам’ять та постійне навчання зливаються. У дослідженні Meta «Sparse Memory Finetuning» (arXiv:2510.15103) було виявлено, що навчання новим фактам через шари пам’яті погіршує продуктивність у завданнях на 11%, порівняно з 89% при повному фінтюнінгу та 71% при використанні LoRA. Це усуває розмежування між зовнішнім шаром пам’яті та внутрішньою пам’яттю з параметрами. Моделі майбутнього у 2027 році можуть включати вбудовані шари розрідженої пам’яті, які слугуватимуть швидким шляхом від сховища пам’яті агента до ваг моделі.

Пам’ять як основа для RL. Метод MemRL, що записує наміри, досвід та корисність, а також оновлює значення Q на основі результатів, перетворює відтворення інформації на сигнал для покращення політики. Продуктові SDK, ймовірно, приймуть цей підхід до кінця 2026 року під назвою, наприклад, «відтворення з урахуванням ваг результатів».

Отримання інформації та пам’ять об’єднуються. HippoRAG 2, A-MEM, MemoryOS та Mem0 з їхніми сховищами даних, пов’язаними з ентитетами, розглядають історію дій агента як ще один корпус даних у форматі графа. Майбутні рішення будуть надавати єдиний API для отримання інформації з документів та пам’яті агента за допомогою спільного гібридного серверного модуля.

Консолідація даних під час сну стає стандартом. Агенти Letta, які працюють під час сну, системи Anthropic для моделювання сну та функції сегментованого форматування даних у MemoryOS спільно ґрунтуються на ідеї офлайн-аналізу, який перетворює тимчасові епізодичні дані на стабільні семантичні знання. Очікується, що до кінця 2026 року кожна велика платформа випустить власну версію таких функцій.

Багатомодальна пам’ять у SDK. Тестові завдання на кшталт Mem-Gallery та M3-Bench спрямовані саме в цьому напрямку. Дизайн графа у M3-Agent є найімовірнішим варіантом, який з’явиться у Mem0, Letta чи Zep до 2027 року.

Управління перетворюється на регулювання. Після проектів ZombieAgent та ASI06 журнали аудиту, правила зберігання даних та процедури добровільного забування стануть обов’язковими вимогами до продуктів, а аудитори, які працюють за стандартами SOC 2 та ISO 42001, почнуть безпосередньо запитувати про ефективність управління даними.

Процедурна пам’ять набуває значення. Більшість сучасних рішень базувалися на семантичних та епізодичних аспектах пам’яті. Система процедурного зберігання даних LangMem, еволюціонуючі нотатки A-MEM, самокоригуючийся ядро Letta та функції мрійництва в Anthropic вказують на більш амбітну мету — агентів, які можуть оновлювати не лише свої факти, а й власну поведінку.

Спільна пам’ять між агентами. Команди агентів, які працюють як зграя, потребують бази даних, до якої кожен учасник може читати та записувати інформацію, адже приватні сховища кожного агента недостатні. Це може бути дошка оголошень із протоколами передачі даних та чітким розділенням між пам’яттю у реальному часі для поточної обробки та постійною пам’яттю між різними виконаннями. API з підтримкою кількох користувачів у Mem0, спільний архівний сховищ у Letta, портативність файлів агентів та дослідження, такі як SRMT для пошуку шляхів у багатоагентних системах, є першими кроками у цьому напрямку.

Приватна, локальна пам’ять. SuperLocalMemory та SQLite-AI пропонують переконливу альтернативу рішенням, що ґрунтуються виключно на хмарі: SQLite, FTS5, методи оцінки надійності на основі байєсових моделей та алгоритми кластеризації Leiden — усе це працює безпосередньо на пристрої, без використання моделей LLM під час пошуку інформації. Apple, Google та Microsoft розробляють середовища виконання агентів на рівні операційних систем, які передусім зберігають пам’ять локально, а рішення, створені на основі SQL, такі як Memori та конвеєри обробки даних у стилі Mem0, мають потрапити до мобільних SDK до кінця 2026 року.

Інженер з пам’яті стає окремою посадою. У звіті Mem0 інженерія пам’яті представлена як окрема галузь поруч із інженерією запитів та контексту; існує чотири рівні управління пам’яттю (користувач, агент, команда та робочий процес), кожен з яких має своїх відповідальних осіб, правила зберігання та профілі ризиків. Очікується, що ця посада з’явиться у списку вакансій у сфері інфраструктури AI до 2027 року.

Практичні висновки

Протягом більшої частини ери ШІ з великими масивами параметрів пам’ять була щось на кшталт тимчасового рішення: прихований системний запит, використання старих чатів у моделях типу RAG, або вікно обробки на мільйон токенів, яке коштувало 5 доларів за запит, проте все одно не давало правильної відповіді. У 2026 році пам’ять стала окремим рівнем із власними постачальниками, хмарними продуктами, критеріями оцінки, шляхами запису даних, моделлю безпеки та способами виникнення несправностей.

Якщо ваш агент у понеділок все ще просить ім’я користувача, ви втрачаєте не лише точність. Ви продовжуєте платити за повний контекст та отримуєте результати, які може перевершити пошук у пам’яті обсягом 7 000 токенів, при цьому залишаєте відкритою неконтрольовану поверхню для атак, тоді як конкуренти — Mem0 v3, агенти Letta sleep-time, темпоральна графа Zep, AgentCore, розділена на частини пам’ять Foundry Cosmos або Claude Managed Agents — вже досягають економії. Комбінація 97% / 27% / 34% від Rakuten є новим стандартом для пам’яті, яка сама себе окуповує, а знижка у 40% токенів від RevisionDojo — це версія для невеликих команд. M3-Agent показує шлях через візуал та голос, OWASP Agent Memory Guard слугує «ременем безпеки», а Sparse Memory Finetuning від Meta натякає на те, як з часом пам’ять та ваги об’єднаються.

Наступний рік розробки агентів не буде залежати від нових базових моделей. Він буде залежати від підходу до пам’яті як до системи: її потрібно записувати, оцінювати, керувати, захищати, консолідувати та вдосконалювати, як і будь-який інший продукт програмного забезпечення. Переможцями стануть не ті агенти, у яких найбільше можливостей, а ті, які справді пам’ятають, пам’ятають між різними форматами даних та пам’ятають безпечно.

← Усі статті Надіслати бриф