Для AI-агента это важно, потому что реальная работа часто идет не вокруг одного ответа, а вокруг изменяемого объекта. Агент написал документ, потом пользователь попросил сократить раздел, потом юрист внес правки, потом нужно собрать финальную версию. Если агент помнит только последние сообщения, он легко потеряет, какой файл актуальный и что уже было согласовано.
Artifact memory обычно хранит не весь файл внутри prompt, а ссылку, ID, метаданные и краткое описание: где лежит артефакт, кто владелец, какая версия актуальна, что изменилось, какой статус согласования, какие источники использованы и какие ограничения есть.
В корпоративных сценариях artifact memory связывают с Google Drive, Docs, Notion, Confluence, GitHub, CRM, Jira, Slack или внутренним хранилищем. Агент может открыть нужный артефакт, обновить его через tool, создать новую версию, показать diff и отправить результат в approval workflow.
Главный риск - смешать artifact memory с долгосрочной памятью без правил доступа. Агент не должен вспоминать чужие документы, старые черновики как финальные версии или секретные файлы без разрешения. Нужны ACL, версии, audit log, trace и правила удаления.
Примеры
- Агент создал коммерческое предложение в Google Docs и сохранил в memory ссылку, версию, клиента и статус "на согласовании".
- Код-агент открыл pull request, а artifact memory хранит номер PR, список файлов, последние изменения и замечания ревьюера.
- Юридический агент сравнил две версии договора и сохранил diff, спорные пункты и ссылку на финальный файл.
- Агент для презентаций создал deck, запомнил шаблон, слайды, владельца и список доработок.
- После обработки входящего PDF агент сохранил извлеченные поля, источник, confidence и ссылку на оригинал.
- Если пользователь просит "доработай прошлый отчет", агент находит актуальный artifact_id, а не пытается угадывать по истории чата.
Где используется
- работа AI-агента с документами, таблицами и презентациями
- хранение ссылок на Google Docs, Drive, Notion и Confluence
- ведение версий договоров, КП, отчетов и черновиков
- поддержка code review, pull requests и changelog
- связь артефактов с задачами, клиентами и approval workflow
- повторное открытие актуальной версии вместо поиска в чате
- создание audit trail по изменениям AI-агента
- RAG по созданным ранее рабочим материалам
- сравнение diff между версиями документа
- очистка устаревших черновиков и контроль доступа к файлам
Связанные термины
Частые вопросы
Artifact memory - это то же самое, что RAG?
Нет. RAG помогает искать знания в документах и подставлять их в контекст. Artifact memory хранит рабочие результаты агента: какие файлы он создал или изменил, где они лежат, какая версия актуальна и что с ними нужно делать дальше.
Чем artifact memory отличается от обычной памяти агента?
Обычная память чаще хранит факты, предпочтения и историю диалога. Artifact memory хранит объекты работы: документы, ссылки, версии, diff, статусы, владельцев и метаданные.
Что хранить в artifact memory?
Обычно хранят artifact_id, тип, название, ссылку, владельца, версию, статус, источник, краткое summary, дату изменения, связанные задачи, approval status и права доступа. Полный файл лучше держать в специализированном хранилище.
Можно ли хранить весь документ прямо в памяти агента?
Технически можно, но чаще это плохая идея: растет стоимость, сложнее контролировать доступ и версии. Надежнее хранить файл в Drive, Git, Notion, БД или object storage, а в memory держать ссылку и метаданные.
Какие риски есть у artifact memory?
Риски: агент использует устаревшую версию, открывает чужой файл, теряет diff, сохраняет секретные данные или путает черновик с финальным документом. Нужны версии, ACL, audit log и понятные статусы.
Как artifact memory помогает в работе с документами?
Она позволяет агенту продолжать работу с конкретным файлом: найти актуальную версию, внести правки, показать изменения, отправить на согласование и не пересоздавать документ каждый раз с нуля.
