По сообщению Towards, в статье рассматриваются три типа памяти, которые необходимы ИИ-агентам: эпизодическая, семантическая и процедурная. Каждому из этих типов требуется собственное хранилище, триггер и механизм извлечения. Приведён пример работы агента LangGraph, который через неделю после запуска хранит информацию о диете пользователя, изменениях в рационе и бронировании ресторана. Все данные представлены в виде пар «ключ-значение» в одной папке, и каждый вызов модели получает доступ ко всем этим данным одновременно. Статья объясняет, почему память агента не может рассматриваться как единое хранилище: факты могут устаревать, прошлые события должны сохраняться в качестве примеров, а инструкции поведения требуют контролируемого переписывания. Долгосрочная память представлена в виде трёх видов: семантической (актуальные факты с политиками обновления), эпизодической (опыт, записанный только для добавления и извлекаемый по сходству, а не по недавности) и процедурной (инструкции агента/системные подсказки, пересматриваемые через рефлексию). Далее статья показывает, как реализовать все три типа памяти вместе в одном хранилище LangGraph, используя отдельные пространства имён и различную логику записи/чтения. Обсуждается, как модель собирает каждый тип информации в системное сообщение при каждом вызове. В заключение выделяются ключевые моменты дизайна, такие как разница между обновлением и добавлением, риски рефлексии, а также предостережения против глобальных процедурных изменений без средств защиты. Авторы предлагают задания по реорганизации предыдущего хранилища в эти пространства имён, тестированию поведения рефлексии/отката и проверке фильтрации эпизодического успеха. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.