🧠 Системы памяти для ИИ-агентов: от векторов к графам
5 февраля 2026 команда Hong Kong Polytechnic University с коллегами опубликовала первый полный обзор систем памяти для LLM-агентов "Graph-based Agent Memory: Taxonomy, Techniques, and Applications". Главный вывод: линейное хранение больше не работает — нужны графовые структуры.
📍 Проблема, которую игнорировали
ИИ-агенты проваливаются на длинных задачах не потому, что модели слабые. Проблема в том, как они организуют память.
Классический подход: агент записывает всё подряд в линейный лог или векторную базу. Через 50 шагов он уже не может найти нужную информацию — либо контекст переполнен, либо релевантное потерялось в середине истории.
Результат: агент повторяет одни и те же ошибки, забывает предпочтения пользователя, не может связать события из разных сессий.
⚡️ Графы вместо логов: как это меняет работу
Исследователи систематизировали подходы к памяти агентов и показали, что графовые структуры решают ключевые проблемы.
✅Knowledge Graph (граф знаний)
Хранит факты как триплеты: (сущность — отношение — сущность). Например: (Пользователь — непереносимость — лактоза).
Преимущество: можно делать многошаговые запросы, соединять факты через отношения, проверять противоречия.
✅Temporal Graph (временной граф)
Добавляет к каждому факту временную метку — не просто "что произошло", а "когда это стало актуальным".
Пример: система запомнила, что пользователь переехал в Лондон в январе. Если в марте он спрашивает про погоду — агент понимает, какой город имеется в виду, основываясь на временной последовательности.
✅Hierarchical Graph (иерархический граф)
Организует информацию по уровням абстракции: от конкретных событий до общих паттернов.
Применение: сжатие длинных диалогов в древовидную структуру, где верхние узлы — темы разговора, нижние — детали.
✅Hypergraph (гиперграф)
Связывает не два объекта, а произвольное количество. Например: событие "пользователь заказал пиццу с друзьями" включает пользователя, друзей, пиццу, ресторан — всё в одном ребре.
🔬 Жизненный цикл памяти: четыре этапа
Авторы формализовали, как агент работает с памятью.
1. Extraction (извлечение)
Преобразование сырых данных в структурированные единицы памяти. Из фразы "У меня непереносимость лактозы" извлекается триплет для графа знаний.
2. Storage (хранение)
Организация извлечённых единиц в граф: выбор структуры (KG, temporal, hierarchical), индексация для быстрого поиска.
3. Retrieval (извлечение из памяти)
Поиск релевантной информации по запросу. Не просто similarity search, а обход графа: если пользователь спрашивает про рецепт, агент находит непереносимость лактозы через связи.
4. Evolution (эволюция)
Обновление графа на основе новой информации: разрешение противоречий, добавление связей, удаление устаревших фактов.
📊 Два типа памяти: знания vs опыт
1️⃣Knowledge Memory (статичная)
Объективные факты, правила, процедуры — то, что не зависит от конкретного пользователя. Пример: определение лазаньи, правила игры, химические формулы.
2️⃣Experience Memory (динамичная)
Личные взаимодействия, предпочтения, история действий — то, что уникально для пользователя. Пример: "пользователь заказывал вегетарианскую лазанью", "агент пробовал стратегию X и она провалилась".
Эффективные агенты используют оба типа: статичные знания для понимания мира, динамичный опыт для персонализации.
💡 Практические выводы из обзора
📌Для разработчиков:
Линейные логи эффективны только для коротких задач (<10 шагов). Для долгосрочных агентов нужна графовая память с явным моделированием отношений.
📌Для продуктов:
Персонализация требует Experience Memory с временными метками. Без этого агент не различает "что пользователь хотел вчера" и "что он хочет сегодня".
❗️Ключевое ограничение:
Графы сложнее строить и обновлять, чем векторные базы. Но для задач, где контекст важнее скорости (медицина, финансы, персональные ассистенты), это единственный надёжный путь.
🚀 Попробуйте ИИ агентов в AI Wiz 2.0
Новая версия платформы поддерживает агентские workflow — переход из вашего дашборда.
#AIWiz #AgentMemory #LLMAgents
