Memori от GibsonAI: SQL-движок памяти для AI-агентов, который реально запоминает

Почему память важна для AI-агентов

Память позволяет человеку учиться, адаптироваться и принимать лучшие решения на основе прошлого. AI-агенты выигрывают от того же: запоминание предыдущих взаимодействий, предпочтений и ограничений помогает избежать повторных вызовов инструментов, экономит токены и обеспечивает согласованные ответы. Без постоянной памяти агент забывает контекст, повторяет действия и не удерживает простые правила вроде обращения по имени.

Проблема статeless LLM-воркфлоу

Агенты выполняют задачи по шагам: планирование, поиск, вызов API, парсинг и генерация ответа. Если каждая сессия стартует с нуля, ранние шаги теряются, что ведёт к потере времени, увеличению расходов на токены и ухудшению UX. Исследования показывают, что пользователи тратят около 23–31% времени на повторную подачу уже озвученного контекста, что превращается в заметные потери производительности команд и предприятий.

Почему SQL, а не векторы

Большинство решений для памяти основаны на векторных базах данных и эмбеддингах. Они полезны, но добавляют сложность: несколько сервисов, vendor lock-in, непрозрачный механизм извлечения и высокие расходы. SQL-базы надёжны, знакомы каждому разработчику и имеют зрелую экосистему для бэкапов, миграций и мониторинга. Они дают знакомые и мощные инструменты для фильтрации и агрегации данных.

Как работает Memori

Memori — это open-source движок памяти от GibsonAI, который хранит воспоминания в стандартных SQL-базах, таких как SQLite, PostgreSQL или MySQL. Он использует структурированную извлечённую информацию, маппинг связей и SQL-извлечение для прозрачного и доступного хранения памяти. Memori координирует несколько агентов, чтобы важные долгосрочные воспоминания промотировались в короткосрочное хранилище для быстрой инъекции контекста.

Одна строка кода демонстрирует простоту активации памяти:

memori.enable()

После включения любое LLM может сохранять разговоры, учиться на взаимодействиях и поддерживать контекст между сессиями. Данные остаются портируемыми и аудируемыми, поскольку хранятся в стандартной SQL-базе под контролем пользователя.

Ключевые преимущества

Memori делает ставку на простоту и владение данными. Основные преимущества:

Радикальная простота: включение памятью одной строкой в разных фреймворках
Контроль над данными: память хранится в стандартных SQL-базах под управлением пользователя
Полная прозрачность: выборки объяснимы через SQL-запросы
Отсутствие привязки к вендору: экспортируемые SQLite-файлы
Экономичность: заметно меньшие затраты на хранение и запросы по сравнению с векторными стеками
Соответствие регуляциям: простые трассы аудита и выбор размещения данных

Сценарии использования

Подход подходит для множества кейсов:

Персональные шопинг-ассистенты, помнящие покупки и предпочтения
Личные AI-помощники, которые поддерживают долгосрочный контекст
Боты поддержки клиентов, не задающие повторные вопросы
Образовательные репетиторы, адаптирующиеся к прогрессу студента
Командные системы знаний с общей памятью и историями аудита

Эффект и показатели

Ранние данные от сообщества показывают значительные выгоды:

Снижение времени разработки системы памяти на 90%
Снижение инфраструктурных затрат на 80–90% по сравнению с векторными решениями
Задержки запросов 10–50 мс, часто быстрее векторного поиска
Полная портируемость памяти и SQL-аудит с первого дня

Технические новшества

Memori привносит несколько важных идей:

Двойной режим памяти: рабочая память плюс интеллектуальный поиск
Универсальный слой интеграции: автоматическая инъекция памяти для любого LLM
Мультиагентная архитектура для умного управления тем, что хранить долго, а что краткосрочно

Инфраструктурная опора

GibsonAI связывает Memori с инфраструктурой баз данных, которая обеспечивает мгновенное provision, autoscale, ветвление баз, версионирование, оптимизацию запросов и восстановление. Это делает SQL-память готовой к продакшену и управляемой как обычную прикладную базу данных.

Практическая мысль

Memori переводит проблему памяти AI в задачу персистентности и решает её с помощью проверенной SQL-технологии. Благодаря портируемой, отлаживаемой и аудируемой памяти Memori снижает скрытые затраты векторных архитектур и предлагает практичный путь к более умным и надёжным AI-агентам.

Посмотрите репозиторий GibsonAI на GitHub для подробностей и ресурсов.