VK AI Space дала AI агентам память между сессиями: контекст хранится в читаемых файлах

Корпоративные ИИ-агенты (программы, которые выполняют задачи автономно, а не просто отвечают на вопросы) до сих пор страдали от «амнезии». Каждый новый диалог начинался с чистого листа: пользователь заново объяснял контекст, агент повторял поиск. Команда VK AI Space, корпоративной платформы для создания и запуска ИИ-агентов, предложила архитектуру, которая решает эту проблему через читаемые Markdown-файлы. Об этом рассказал Сергей Врулин, Team Lead в команде агентов VK AI Space, в публикации на Хабре.

Что понадобится

• Доступ к VK AI Space (корпоративная платформа VK)
• Базовое понимание, как работают ИИ-агенты и контекстное окно модели (объём текста, который модель «видит» одновременно)
• Время на настройку: от 30 минут до нескольких часов в зависимости от сложности сценария

Как устроена память и зачем она нужна?

Обычная языковая модель (LLM, large language model) работает как функция без состояния. Контекстное окно ограничено, и после завершения диалога информация исчезает. В потребительских чат-ботах это терпимо. В корпоративном сегменте это разрушает саму идею «цифрового сотрудника».

Сергей Врулин приводит три показательных сценария:

• Разбор инцидента. Агент помог разобрать сбой. Через неделю похожий инцидент. Без памяти агент начинает с нуля: ищет логи, выясняет связи сервисов. С памятью он «вспоминает» прошлый разбор и сразу предлагает проверить ту же цепочку
• Подготовка тендера. Сотрудник с агентом собирает ответы на требования заказчика. Через месяц новый тендер от того же заказчика. С памятью агент достаёт готовые формулировки и адаптирует их
• Проектный отчёт. Агенту поручают сбор ежедневного отчёта. Без памяти каждый день приходится объяснять формат, источники, получателей. С памятью агент повторяет вчерашний формат сам

Почему текстовые файлы, а не векторная база?

Команда VK AI Space осознанно отказалась от векторных хранилищ (баз данных, где текст превращается в числовые представления, эмбеддинги, и ищется «по смыслу»). Причина в трёх корпоративных ограничениях, которые описывает Врулин.

Прозрачность. Эмбеддинги нечитаемы для человека. Сотрудник не может посмотреть, что агент «запомнил». Для комплаенса (compliance, соответствие нормативным требованиям) это блокирующая проблема: человек обязан видеть, какие данные о нём хранятся.

Изоляция. Большинство фреймворков (MemGPT, LangGraph, CrewAI) не имеют встроенной модели изоляции по проектам и пользователям. Память одного проекта может «протечь» в другой.

Управляемость. Исправить неверный факт в векторной базе означает найти нужный фрагмент, удалить, пересоздать эмбеддинг, перезаписать. Текстовый файл можно просто открыть и поправить.

Пошаговая инструкция

1. Определите, что агент должен помнить. Выделите три категории: профиль пользователя (роль, предпочтения), контекст проекта (решения, ограничения, терминология), собственный опыт агента (какие подходы сработали, какие нет)

2. Создайте файлы памяти в формате Markdown. Для каждой категории заведите отдельный файл. Например:

USER.md — профиль сотрудника
PROJECT.md — контекст проекта, накопленные решения
SOUL.md — опыт и «правила» агента

1. Наполните файлы стартовым контекстом. Запишите туда то, что агент должен знать с первого сообщения. Это устраняет «нулевые итерации на загрузку», когда агент тратит вызовы модели, чтобы прочитать собственную память:

# USER.md
## Роль
Менеджер проектов, отдел инфраструктуры

## Предпочтения
- Отчёты в формате: заголовок, статус, блокеры
- Предпочитает краткие ответы без вводных фраз

1. Подключите файлы памяти к агенту в VK AI Space. Файлы подгружаются в контекст агента автоматически при старте сессии. Агент получает содержимое ровно в том виде, в каком оно записано, без семантического поиска

2. Настройте правила обновления. Определите, когда агент дописывает информацию в файлы памяти: после завершения задачи, после разбора инцидента, после каждого дневного отчёта. Обновления видны как обычные правки текста

3. Проверьте изоляцию. Убедитесь, что файлы памяти одного проекта недоступны агентам других проектов. Это критично для корпоративной безопасности

4. Контролируйте и редактируйте вручную. Периодически открывайте файлы памяти и проверяйте, что агент «запомнил». Удалите неактуальное, поправьте неточности. Никакого специального API для этого не нужно

Что делать с этим прямо сейчас, по ролям

Авторам Дзена и копирайтерам. Принцип «память как текстовый файл» можно применить уже сейчас. Заведите Markdown-документ с вашим стилем, тональностью, списком запрещённых слов и передавайте его ИИ-агенту как часть системного промпта (системный промпт, это начальная инструкция, которая задаёт поведение модели). Агент перестанет «забывать» ваши предпочтения между сессиями.

Маркетологам. Прозрачность памяти решает реальную проблему: когда агент готовит отчёт или анализ, вы видите, на каких данных он основывался. Это упрощает согласование с руководством и юристами.

Предпринимателям в РФ. VK AI Space работает в российском контуре. Для тех, кому нужны корпоративные ИИ-агенты без зависимости от зарубежных облаков, это рабочий вариант. Альтернативы с открытой памятью за рубежом (Cline, Claude Code) используют Markdown-файлы по похожему принципу, но не решают вопрос локализации данных.

Файлы памяти вместо векторных баз данных выглядят как шаг назад, но для корпоративного сегмента это осознанный выбор: когда аудитор спрашивает «что знает ваш агент», вы открываете текстовый файл и показываете, а не объясняете, как устроены эмбеддинги.