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.