AI-агентам потрібна документація, а не пам’ять на основі retrieval

Документація замість пам’яті

Плагіни пам’яті, як правило, обробляють транскрипти сесій як окремі фрагменти, зберігають їх у векторній базі даних і для кожного запиту повертають п’ять найбільш схожих одиниць. Агенти можуть шукати й в архіві, але лише за схожістю неможливо визначити, чи фрагмент правильний, актуальний чи повний. Контекст, мотивація, уроки та деталі середовища можуть втратитися, коли розмови скорочуються до фрагментів.

За джерелом, це створює непрозоре сховище. Наведено приклади: сотні фрагментів, пов’язаних з автентифікацією, застаріли разом із змінами коду, а embedding-и в SQLite можуть бути застарілими, невикористовуваними або неправильними. Агент не може надійно знаходити невідомі помилки, бо не знає, чого не знає. Аргумент такий: команди фіксують обмеження та рішення, а не відновлюють їх зі старих зустрічей, тому агенти повинні звертатися до збережених і оновлених записів, а не до пам’яті.

Структурований робочий простір для агентів

Файли AGENTS.md уже дають агентам вказівки рівня проєкту, але джерело стверджує, що одного файла рідко достатньо. Воно радить ширший робочий простір, який включає інструкції, специфікації, рішення, дослідження та індекси. Агенти повинні прочитати відповідні документи перед роботою, а потім оновлювати застарілий або втрачений матеріал. Це переносить робочий процес із принципу „prompt, build and forget“ на принцип „prompt, consult, build and update“ і робить контекст читабельним, редагованим і спільним.

Модель представлена як пам’ять на основі документів: постійна база знань, а не база даних фрагментів розмов, отриманих пошуком. Мета в тому, щоб агент отримував більш повну картину того, чому існують функції, що було узгоджено та як працює проєкт, водночас даючи людям можливість перевіряти та зберігати базові записи.

Operator Memory перетворює модель на Markdown

Operator Memory — це реалізація з відкритим кодом автора джерела для цього підходу. Вона надає агентам робочий простір Markdown для інструкцій, специфікацій, досліджень та індексів. Агенти читають відповідні документи перед роботою, а потім оновлюють робочий простір, переглядаючи застарілий матеріал і додаючи втрачені документи.

За джерелом, система не використовує векторні бази даних, embedding-и, сумаризаторів, кураторів, механізми оновлення, фонові демони або пошук за принципом чорного ящику. Її записи залишаються звичайними файлами Markdown, які можна читати, оновлювати, вносити в commit і ділитися з командою. Автор стверджує, що використовує цю систему у власних проєктах понад рік, а програма безкоштовна та з відкритим кодом.