Память, которая связывает
Долговременная память сохраняет факты, документы и связи между ними, чтобы агент не начинал каждую сессию с нуля. Векторный поиск помогает найти нужный контекст, а граф — понять, какие решения, роли и проекты связаны друг с другом. Это основа последовательной работы над длительными задачами.
Посмотреть процесс по шагам ↓
CASE 03 / MEMORY / GRAPH RAGКОНЦЕПТУАЛЬНАЯ ИЛЛЮСТРАЦИЯКАК ЭТО
РАБОТАЕТ.
От исходных данных до результата.
Выберите любой этап или запустите последовательный показ.
Опыт
Из рабочего контекста отбираются сведения, достойные долговременного хранения. Короткий факт и полный документ не смешиваются: им нужны разные способы сохранения и последующего поиска.
- ↳ На входе
- Новые сведения, которые нужны в будущих задачах.
- ↗ На выходе
- Материал для обновления фактов, графа и архива.
В чём
была задача
История одного диалога не заменяет постоянную память: контекстное окно ограничено, а важные решения принимаются в разные дни и в разных системах. Поиск похожих фрагментов текста тоже решает не всё. Для вопросов о зависимостях нужно понимать не только содержание документов, но и отношения между сущностями.
Что
реализовано
Память разделена на три слоя: атомарные факты в Mem0 и Qdrant, отношения в Memgraph и полные документы в отдельном хранилище. Локальный NER помогает выделять сущности, а процедуры согласования фактов — работать с дубликатами и противоречиями. Для ответа агент выбирает подходящий тип поиска, а не складывает все данные в один бесконечный промпт.
Что
изменилось
Агент может продолжать работу с сохранёнными решениями после завершения сессии. Семантический поиск отвечает на вопрос «где об этом говорилось», граф дополняет его вопросом «как это связано». Качество ответа по-прежнему зависит от полноты и актуальности источников: сохранённый факт не становится истинным только потому, что оказался в памяти.