К содержимому
Agent Memory
⌕
Поиск
/
00
Оглавление курса
01
Фундамент: почему агенту нужна память
1.1
LLM без памяти: stateless-модель против stateful-агента
1.2
AI Agent как система: место памяти в архитектуре
1.3
Когнитивная модель памяти: полезная аналогия с человеком
02
Таксономия памяти AI-агента
2.1
Working Memory: текущее окно внимания
2.2
Conversation и Session Memory: удержание текущего диалога
2.3
Episodic Memory: память событий и опыта
2.4
Semantic Memory: факты, сущности и знания
2.5
Procedural Memory: навыки, политики и способы действия
2.6
Reflection Memory: самоанализ и уроки
2.7
World Memory и RAG: внешние знания агента
2.8
Shared Memory: память в multi-agent системах
03
Жизненный цикл памяти
3.1
Memory Lifecycle: от наблюдения до забывания
3.2
Memory Write: что и когда сохранять
3.3
Memory Retrieval: как агент вспоминает нужное
3.4
Memory Update, Consolidation и Forgetting
04
Хранилища и представления памяти
4.1
Где хранить память: от prompt до graph database
4.2
Представление памяти: запись, факт, событие, навык, граф
4.3
Скоупы памяти: пользователь, проект, агент, организация
05
Архитектурные паттерны
5.1
Простые паттерны памяти
5.2
Tiered Memory: горячая, теплая и холодная память
5.3
Memory-as-an-OS: виртуализация контекста
5.4
Hybrid Vector-Graph Memory
5.5
Event-Sourced Agent: лог как агент
5.6
Declarative Memory: память через файлы и спецификации
06
System Design: как собрать memory layer
6.1
Компоненты memory layer
6.2
Политики памяти: read, write, update, delete
6.3
Контекстная сборка: как память попадает в prompt
6.4
Асинхронные процессы памяти
07
Узкие места и ошибки проектирования
7.1
Основные failure modes памяти
7.2
Memory poisoning и безопасность
7.3
Privacy, compliance и управление пользователем
08
Оценка качества памяти
8.1
Метрики memory layer
8.2
Тестирование памяти
8.3
Бенчмарки и исследовательские направления
8.4
Observability и tracing для memory layer
09
Инструменты и экосистема
9.1
Категории инструментов для AI Agent Memory
9.2
Как выбирать стек под задачу
9.3
Mem0: персонализация и атомарная память пользователя
9.4
Zep и Graphiti: временные графы знаний для памяти агента
9.5
Letta: stateful agents и память как операционная система
9.6
Mem0, Zep, Letta: сравнение, бенчмарки и интеграционные паттерны
9.7
Agent frameworks with state: LangGraph, AutoGen, CrewAI, Mastra
9.8
RAG frameworks для памяти: LangChain, LlamaIndex, Haystack
9.9
Storage and search engines для памяти: vector, search, graph, KV, local
9.10
Enterprise context platforms и connectors
10
Практические архитектурные сценарии
10.1
Сценарий 1: персональный ассистент
10.2
Сценарий 2: coding agent
10.3
Сценарий 3: enterprise knowledge agent
10.4
Сценарий 4: multi-agent system
11
Словарь терминов
11.1
Основные термины
12
Итоговая модель мышления
12.1
Как думать о памяти агента
13
Open-source Agent Memory Tools
13.1
Обзор: топ-20 open-source инструментов Agent Memory
13.2
Cognee: graph-first memory platform для агентов
13.3
Supermemory: memory and context engine для персонализации и RAG
13.4
Memori: agent-native memory из действий, сессий и атрибуции
13.5
memU: shared LLM wiki и автоматическое извлечение reusable skills
13.6
EverOS: local-first memory runtime с Markdown как source of truth
13.7
Honcho: peer-centric memory для stateful agents
13.8
MemSearch: Markdown memory, Milvus shadow index и progressive retrieval
13.9
Agentic Context Engine: persistent learning loop и Skillbook
13.10
Semantica: graph-native context, provenance и accountable AI memory
13.11
Deja-vu: retroactive local memory для истории coding agents
Главная
/
Практические архитектурные сценарии
Модуль 10
Практические архитектурные сценарии
Уроки модуля в порядке чтения.
10.1
Урок 10.1. Сценарий 1: персональный ассистент
10.2
Урок 10.2. Сценарий 2: coding agent
10.3
Урок 10.3. Сценарий 3: enterprise knowledge agent
10.4
Урок 10.4. Сценарий 4: multi-agent system
Поиск по курсу
×