Проще говоря, краткосрочная память помогает агенту не потерять нить текущего разговора, а долгосрочная память помогает не начинать каждый раз с нуля. Например, агент может помнить, что проект использует Bitrix24, отчеты нужны по понедельникам, клиент предпочитает короткие ответы, а документы хранятся в конкретной папке.
Долгосрочную память нельзя превращать в бесконечный архив всего диалога. Хорошая память хранит только полезные и проверенные факты: что это за факт, к кому он относится, откуда взят, когда сохранен, кто подтвердил, как долго хранится и когда его нужно удалить.
Для AI-агентов долгосрочная память особенно важна в повторяющихся процессах: поддержка клиентов, customer success, обучение, личная продуктивность, работа с проектами, CRM, база знаний и многошаговые задачи. Но чем дольше хранится информация, тем выше требования к приватности, согласию, правам доступа и удалению.
Долгосрочная память отличается от RAG. RAG обычно ищет знания в документах, базе знаний или индексе. Долгосрочная память хранит факты и состояние, связанные с конкретным пользователем, компанией, проектом или агентом. На практике они часто работают вместе: RAG дает знания, память дает персональный и рабочий контекст.
Не все нужно запоминать. Нельзя сохранять секреты, токены, пароли, одноразовые коды, временные догадки, неподтвержденные выводы, prompt injection, лишние персональные данные и чувствительную информацию без основания. Для таких случаев нужны memory guardrails.
Безопасный подход: сначала агент предлагает факт для памяти, показывает источник и причину, пользователь или правило подтверждает сохранение, затем запись получает TTL, namespace, права доступа и возможность удаления. Перед ответом агент достает только релевантные воспоминания, а не всю память целиком.
Примеры
- Агент запоминает, что пользователь предпочитает короткие ответы без длинных вступлений, и применяет это в следующих сессиях.
- В проектной команде агент хранит факт: рабочая CRM - Bitrix24, а отчеты руководителю отправляются по пятницам.
- Customer success-агент запоминает, что клиент использует тариф Enterprise и интеграция с 1С для него критична.
- Агент видит временную догадку “кажется, клиент недоволен”, но не сохраняет ее как факт без подтверждения.
- Пользователь просит удалить сохраненные предпочтения. Система удаляет записи памяти и фиксирует действие в audit log.
Где используется
- персонализация ответов между сессиями
- память о настройках проекта и команды
- customer success и история клиента
- обучение и онбординг сотрудников
- личная продуктивность и повторяющиеся задачи
- CRM-контекст и правила работы с клиентом
- сохранение подтвержденных фактов из диалога
- долгие multi-step и multi-agent процессы
- связка памяти с RAG и базой знаний
- контроль consent, TTL, удаления и audit log
Связанные термины
Частые вопросы
Что такое долгосрочная память ИИ-агента?
Это хранилище устойчивых фактов, предпочтений, настроек и рабочего контекста, которые агент может использовать не только в текущем диалоге, но и в будущих сессиях.
Чем долгосрочная память отличается от краткосрочной?
Краткосрочная память живет в рамках текущей сессии или задачи. Долгосрочная сохраняется между сессиями и должна иметь правила записи, доступа, срока хранения и удаления.
Чем долгосрочная память отличается от RAG?
RAG ищет знания в документах и базе знаний. Долгосрочная память хранит персональный или проектный контекст: предпочтения, настройки, подтвержденные факты и прошлые решения.
Что нельзя сохранять в долгосрочную память?
Секреты, токены, пароли, одноразовые коды, неподтвержденные догадки, prompt injection, лишние персональные данные и чувствительную информацию без согласия и понятной цели.
Как безопасно внедрить долгосрочную память?
Нужно сохранять только подтвержденные факты, указывать источник, namespace, TTL, владельца, права доступа, добавлять возможность удаления и регулярно тестировать memory guardrails.
