ТОП репозиторий месяца на GitHub - 27к звезд. Общая память для ИИ-агентов

Я делаю Флайди — приложение, помогающее людям справляться с зависимостями, и почти вся операционка у нас держится на агентах: контент, аналитика, часть разработки. И главная боль этого всего не в качестве моделей. Она в том, что каждая сессия начинается практически с нуля

Новая сессия — заново объясняешь архитектуру. Новый агент в связке — заново скармливаешь ему доки. Нашёл рабочий воркфлоу отладки — через две недели восстанавливаешь его по памяти, потому что он остался в чате, который ты уже не найдёшь

На прошлой неделе наткнулся на репозиторий, который бьёт ровно в эту проблему: TencentDB Agent Memory. За довольно короткий срок — 24,7к звёзд, 2,3к форков, MIT-лицензия, self-hosted

Сейчас «память агента» решается тремя способами, и все три так себе:

Первый — CLAUDE.md и его аналоги. Файл с контекстом проекта, который ты сам руками поддерживаешь. Работает, пока проект один и человек один. Дальше файл разрастается, устаревает и жрёт контекст на каждом запросе

Второй — RAG поверх базы знаний. Отвечает на вопрос «что можно найти». Не отвечает на вопросы «какая версия актуальна», «кому это можно показывать» и «какому именно агенту это нужно прямо сейчас»

Третий — просто длинный контекст. Дорого, медленно и плохо переносится между сессиями

Общее у всех трёх: опыт не накапливается. Каждая итерация начинается примерно с того же места, что и предыдущая. Быстрее — да. Умнее — нет

Ключевой сдвиг в том, что память здесь разложена на четыре типа активов, у каждого из которых есть владелец, версия, статус и видимость. Не «архив переписки», а инвентарь

Chat Memory — предпочтения, факты, решения, история взаимодействия. Устроена слоями: L0 — сырой разговор целиком, L1 — вытащенные из него факты и ограничения, L2 — блоки знания вокруг конкретного проекта, L3 — долгосрочный профиль и устойчивые паттерны. При запросе агенту сначала отдают L2/L3, чтобы быстро поднять контекст, и только если нужны конкретные факты — падают ниже, в L1/L0, через связку BM25 + векторный поиск + RRF. Плюс лимиты по количеству элементов, символам и таймауту, чтобы память не съела всё окно

Skill — и вот это самая недооценённая часть. Скилл здесь не «кусок промпта», а объект с версией, файлами-ресурсами, границами срабатывания, шагами выполнения и правилами валидации. Агент может вытащить его из завершённой работы сам: разобрал сложный инцидент — из логов и вызовов инструментов извлекается переиспользуемый навык. По умолчанию приватный; после ревью его можно отдать команде или прицельно выдать конкретному агенту

Wiki — доки, спеки и рунбуки превращаются в структурированные страницы со связями. Авторы прямо ссылаются на идею LLM-вики Карпатого: документация как артефакт, который поддерживает и достраивает сама модель

CodeGraph — индекс символов, файлов, вызовов и путей влияния. Разница с обычным поиском по коду принципиальная: поиск говорит «код вот здесь», граф говорит «если ты это тронешь, сломается вон то». Модуль построен на базе опенсорсного проекта CodeGraph, авторы это честно указывают

Тут я реально удивился. Никаких плагинов, хуков и MCP-серверов. Поднимаешь три сервиса одним скриптом, меняешь у агента base URL на прокси — и всё. Протокол не меняется, код агента не трогается

Из коробки заявлены Claude Code, Codex, CodeBuddy, DeepSeek Harness, Hermes, OpenClaw. Для остальных есть generic-гайд и приглашение прислать PR

Отсюда вытекает вещь, которой мне не хватало больше всего: память отвязана от фреймворка. Ушёл с одного инструмента на другой — не переучиваешь агента заново, а просто переэкипируешь. Опыт живёт отдельно от того, чем ты его сегодня пользуешься

Отдельно закрыт вопрос «а что делать в первый день?». В панель можно залить:

То есть цена обучения, которую вы уже один раз заплатили, конвертируется в актив, а не сгорает!

Для команды это едва ли не важнее технической части. Новые Chat Memory и Skill приватны по умолчанию — шаринг это осознанное действие, а не поведение по умолчанию.

Уровней четыре: private (только владелец, админ команды тоже не видит), team, restricted (точечный ACL по пользователю, роли или агенту) и agent — выдача конкретному агенту внутри команды.

Дальше складывается ролевая раскладка, которая на VC зайдёт лучше любой схемы: Scout с вики по рынку и скиллом конкурентного анализа, Builder с продуктовой вики и графом кода, Reviewer с чек-листом релиза и историей прошлых инцидентов. Не четыре разрозненных окна чата, а команда с разными лоадаутами и общим накопленным опытом. Компания при этом может оставаться из одного человека

Из бенчмарков авторы приводят один — PersonaMem, тест на то, понимает ли агент пользователя после долгого взаимодействия: 48% без памяти против 76% с ней, относительный прирост 59%. Цифра вендорская, независимых воспроизведений я не нашёл — авторы, кстати, сами зовут их сделать

Что стоит держать в голове перед тем, как бежать ставить:

Сейчас «память агента» решается тремя способами, и все три так себе.

Первый — CLAUDE.md и его аналоги. Файл с контекстом проекта, который ты руками поддерживаешь. Работает, пока проект один и человек один. Дальше файл разрастается, устаревает и жрёт контекст на каждом запросе.

Второй — RAG поверх базы знаний. Отвечает на вопрос «что можно найти». Не отвечает на вопросы «какая версия актуальна», «кому это можно показывать» и «какому именно агенту это нужно прямо сейчас».

Третий — просто длинный контекст. Дорого, медленно и не переносится между сессиями.

Общее у всех трёх: опыт не накапливается. Каждая итерация начинается примерно с того же места, что и предыдущая. Быстрее — да. Умнее — нет.

Ключевой сдвиг в том, что память здесь разложена на четыре типа активов, у каждого из которых есть владелец, версия, статус и видимость. Не «архив переписки», а инвентарь.

Chat Memory — предпочтения, факты, решения, история взаимодействия. Устроена слоями: L0 — сырой разговор целиком, L1 — вытащенные из него факты и ограничения, L2 — блоки знания вокруг конкретного проекта, L3 — долгосрочный профиль и устойчивые паттерны. При запросе агенту сначала отдают L2/L3, чтобы быстро поднять контекст, и только если нужны конкретные факты — падают ниже, в L1/L0, через связку BM25 + векторный поиск + RRF. Плюс лимиты по количеству элементов, символам и таймауту, чтобы память не съела всё окно.

Skill — и вот это самая недооценённая часть. Скилл здесь не «кусок промпта», а объект с версией, файлами-ресурсами, границами срабатывания, шагами выполнения и правилами валидации. Агент может вытащить его из завершённой работы сам: разобрал сложный инцидент — из логов и вызовов инструментов извлекается переиспользуемый навык. По умолчанию приватный; после ревью его можно отдать команде или прицельно выдать конкретному агенту.

Wiki — доки, спеки и рунбуки превращаются в структурированные страницы со связями. Авторы прямо ссылаются на идею LLM-вики Карпатого: документация как артефакт, который поддерживает и достраивает сама модель.

CodeGraph — индекс символов, файлов, вызовов и путей влияния. Разница с обычным поиском по коду принципиальная: поиск говорит «код вот здесь», граф говорит «если ты это тронешь, сломается вон то». Модуль построен на базе опенсорсного проекта CodeGraph, авторы это честно указывают.

Тут я реально удивился. Никаких плагинов, хуков и MCP-серверов. Поднимаешь три сервиса одним скриптом, меняешь у агента base URL на прокси — и всё. Протокол не меняется, код агента не трогается.

Из коробки заявлены Claude Code, Codex, CodeBuddy, DeepSeek Harness, Hermes, OpenClaw. Для остальных есть generic-гайд и приглашение прислать PR.

Отсюда вытекает вещь, которой мне не хватало больше всего: память отвязана от фреймворка. Ушёл с одного инструмента на другой — не переучиваешь агента заново, а просто переэкипируешь. Опыт живёт отдельно от того, чем ты его сегодня пользуешься.

Отдельно закрыт вопрос «а что делать в первый день». В панель можно залить:

То есть цена обучения, которую вы уже один раз заплатили, конвертируется в актив, а не сгорает.

Для команды это едва ли не важнее технической части. Новые Chat Memory и Skill приватны по умолчанию — шаринг это осознанное действие, а не поведение по умолчанию.

Уровней четыре: private (только владелец, админ команды тоже не видит), team, restricted (точечный ACL по пользователю, роли или агенту) и agent — выдача конкретному агенту внутри команды.

Дальше складывается ролевая раскладка, которая на VC зайдёт лучше любой схемы: Scout с вики по рынку и скиллом конкурентного анализа, Builder с продуктовой вики и графом кода, Reviewer с чек-листом релиза и историей прошлых инцидентов. Не четыре разрозненных окна чата, а команда с разными лоадаутами и общим накопленным опытом. Компания при этом может оставаться из одного человека.

Из бенчмарков авторы приводят один — PersonaMem, тест на то, понимает ли агент пользователя после долгого взаимодействия: 48% без памяти против 76% с ней, относительный прирост 59%. Цифра вендорская, независимых воспроизведений я не нашёл — авторы, кстати, сами зовут их сделать.

Что стоит держать в голове перед тем, как бежать ставить:

Не потому, что это готовый продакшн. А потому, что тут, кажется, нащупан правильный слой абстракции.

Индустрия последний год оптимизировала модели и обвязку вокруг них. А узкое место сместилось: у нас куча умных агентов с амнезией. Ответ Tencent — сделать опыт первоклассной сущностью со своим жизненным циклом, владельцем, версией и правами доступа. Ровно тем же путём когда-то прошли код (гит), инфраструктура (терраформ) и данные (каталоги). Логично, что очередь дошла до опыта работы с агентами.

Стандарта в этой области пока нет. Но направление мне нравится: пусть путь, который команда уже прошла, становится стартовой точкой для следующего агента.

Ссылка на репозиторий ниже