Когда обсуждают агентные системы, обычно говорят о моделях и промптах. Но на практике часто важнее другое: как устроена память.
Если агент не умеет удерживать контекст, возвращаться к прошлым действиям, отделять важное от временного и обновлять знания, он быстро начинает путаться и повторять ошибки.
У памяти удобно выделять несколько уровней:
🔵 working memory - текущий контекст
🔵 episodic memory - события, действия, результаты
🔵 semantic memory - устойчивые факты и выводы
🔵 procedural memory - правила поведения и способы работы
Но главное не только в типах памяти. Главное в цикле: записать - управлять - прочитать.
Именно этап управлять чаще всего самый слабый. Если агент просто копит все подряд, память превращается в шум: появляются противоречия, устаревшие записи и лишние самари, которые мешают работать.
На практике отсюда следуют простые правила:
🔵 не смешивать историю действий, знания и правила поведения
🔵 не полагаться только на самари
🔵 хранить сырые эпизодические записи
🔵 переносить в долгую память только устойчивые выводы
🔵 регулярно пересматривать память, а не только пополнять ее
В OpenClaw это выглядит так:
✍️
memory/YYYY-MM-DD.md - эпизодическая память✍️
MEMORY.md - долгоживущие факты, решения и предпочтения✍️
AGENTS.md и SOUL.md - процедурная память✍️
memory_search - поиск по длинной истории✍️ memory flush перед сжатием помогает не терять важный контекст
✍️ dreaming отвечает за консолидацию: система оценивает краткосрочные сигналы и поднимает в долгосрочную память только действительно важное
Если нужен более строгий слой знаний, в OpenClaw есть еще memory-wiki с источниками, свежестью и отслеживанием противоречий.
Сильный агент отличается не только моделью. Намного важнее, как он хранит, отбирает, обновляет и возвращает память в работу 🤝
Чат | ChatGPT Подписка | OpenClaw One-Click