RAG ніколи не був кінцевою метою. Пам'ять у агентів ШІ — це те, куди все рухається. Дозвольте мені розкласти цю еволюцію найпростішим способом. RAG (2020-2023): - Отримати інформацію один раз, згенерувати відповідь - Без прийняття рішень, просто принеси і відповідь - Проблема: часто отримує нерелевантний контекст Агентний RAG: - Агент вирішує, що *чи* потрібне повернення - Агент обирає *яке* джерело для запиту - Агент валідує *чи* результати корисні - Проблема: все ще доступний лише для читання, не можна навчитися на взаємодіях Пам'ять ШІ: - Читати І писати на основі зовнішніх знань - Вчиться на минулих розмовах - Запам'ятовує користувацькі вподобання, минулий контекст - Забезпечує справжню персоналізацію Ментальна модель проста: ↳ RAG: тільки для читання, одноразовий випуск ↳ Agentic RAG: лише для читання через виклики інструментів ↳ Пам'ять агента: читання-запис через виклики інструментів Ось що робить пам'ять агента потужною: Агент тепер може «запам'ятовувати» речі — вподобання користувача, минулі розмови, важливі дати. Все збережено і можна отримати для майбутніх взаємодій. Це відкриває щось більше: постійне навчання. Замість того, щоб бути замороженими під час тренувань, агенти тепер можуть накопичувати знання з кожної взаємодії. Вони покращуються з часом без перенавчання. Пам'ять — це міст між статичними моделями та справді адаптивними системами ШІ. Але не все йде гладко. Пам'ять вводить нові виклики, яких RAG ніколи не мав: спотворення пам'яті, визначення того, що забути, та управління кількома типами пам'яті (процедурним, епізодичним і семантичним). Вирішити ці проблеми з нуля — складно. Якщо хочете надати своїм агентам людську пам'ять, зверніть увагу на Graphiti — відкритий фреймворк для створення графів знань у реальному часі. Посилання можна знайти у наступному твіті!