Седиментация для памяти ИИ-агентов: помнить главное, даже забывая детали

Большие языковые модели делают вид, что решают задачу памяти. На практике они решают задачу контекста: чтобы ответ был связным, модели нужна информация о том, что было сказано только что, час назад, в прошлой сессии.

Индустрия справилась с этим блестяще. Контекстные окна выросли до сотен тысяч токенов. Retrieval-Augmented Generation подтягивает релевантные фрагменты из внешних баз. Векторные хранилища позволяют ИИ «помнить» переписку за годы.

Но если вы разговариваете с такой системой месяцами, вы замечаете странную вещь: агент помнит факты, но не помнит вас. Он знает, что в марте вы обсуждали архитектуру, и может процитировать тот разговор. Но он не знает, в каком именно контексте вы говорили в марте, что вы тогда чувствовали к проекту, как с тех пор изменилась ситуация. И он не спросит об этом, если его подобие воспоминаний не сойдется с вашим. Это фундаментальное ограничение любой архитектуры, где память = база данных. Такая память даёт знание, но не даёт узнавания.

В Metabolic AI мы подошли к задаче иначе. Мы спросили: как могла бы работать память агента, с которым можно прожить двадцать лет и не почувствовать, что он «перезагрузился»?

Ответ мы искали не в нейросетях, а базах знаний по геологии. Память живого организма устроена по принципу осадочных пород: то, что встречается часто, медленно оседает в глубокие структуры и меняет саму форму сосуда. То, что встречается редко и не имеет эмоциональной плотности, смывается верхним течением.

Мы перенесли эту метафору в архитектуру агента. В нашей системе память — это не одно хранилище, а непрерывный континуум уровней с разной скоростью забывания. Мы называем этот процесс седиментацией — осаждением опыта из быстрых поверхностных слоёв в медленные фундаментальные.

Верхние слои