RAG nikdy nebyl konečným cílem. Paměť u AI agentů je směr, kterým všechno směřuje. Dovolte mi tuto evoluci rozdělit co nejjednodušším způsobem. RAG (2020–2023): - Jednou získat informace, generovat odpověď - Žádné rozhodování, jen aportovat a odpovídat - Problém: Často vyvolává irelevantní kontext Agentic RAG: - Agent rozhoduje, *zda je potřeba získat informace - Agent vybírá *který* zdroj dotazovat - Agent ověřuje *pokud* jsou výsledky užitečné - Problém: Stále pouze pro čtení, nelze se učit z interakcí AI paměť: - Číst A psát do externích znalostí - Učí se z minulých rozhovorů - Pamatuje si uživatelské preference, minulý kontext - Umožňuje skutečnou personalizaci Mentální model je jednoduchý: ↳ RAG: pouze pro čtení, jednorázový příběh ↳ Agentic RAG: pouze pro čtení pomocí volání nástrojů ↳ Agentní paměť: čtení a zápis pomocí volání nástrojů Tady je, co dělá agentovou paměť silnou: Agent si nyní může "pamatovat" věci – uživatelské preference, minulé konverzace, důležitá data. Vše uložené a dostupné pro budoucí interakce. To otevírá něco většího: neustálé učení. Místo toho, aby byli agenti během tréninku zmrazeni, mohou nyní shromažďovat znalosti z každé interakce. Zlepšují se postupem času bez přeškolení. Paměť je mostem mezi statickými modely a skutečně adaptivními AI systémy. Ale není to všechno hladce. Paměť přináší nové výzvy, které RAG nikdy neměl: poškození paměti, rozhodování, co zapomenout, a správu více typů paměti (procedurální, epizodické a sémantické). Řešit tyto problémy od nuly je těžké. Pokud chcete svým agentům dát lidskou paměť, podívejte se na Graphiti – open-source framework pro tvorbu znalostních grafů v reálném čase. Odkaz najdete v dalším tweetu!