🤖 AI-агент с нуля: создаем Memory

В прошлый раз мы подключили агента к реальному миру через MCP — и теперь у него есть инструменты. Но каждый новый разговор он начинает с чистого листа.

Разберём, почему «просто передавай всю историю» — это тупик сразу в трёх местах: токены дорожают экспоненциально, данные исчезают при перезапуске, а сама модель начинает галлюцинировать из-за эффекта Lost in the Middle. И покажем, как выглядит настоящая архитектура памяти агента.

⚡️ Это третья часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова!

Memory — это не фича и не класс в LangChain. Это конвейер из четырёх слоёв, каждый из которых отвечает на свой вопрос.

В этом выпуске:
— Почему «большое контекстное окно» не решает проблему памяти
— Что такое Lost in the Middle и почему это важнее, чем кажется
— Архитектура memory-системы: контекстный слой, долговременное хранилище, retrieval и жизненный цикл
— Summary Buffer, Token Budget и Working Memory — как управлять тем, что видит модель
— Vector Store, Entity Memory и Knowledge Graph — что и в каком формате хранить между сессиями
— Mem0: готовый memory layer вместо самописного пайплайна
— Пишем агента, который помнит пользователя после перезапуска

🎬 Смотрите на YouTube или RuTube!