Как научить ИИ-агентов помнить всё и не сойти с ума
Знакомая ситуация: вы битый час объясняете Claude Code или другому терминальному помощнику нюансы архитектуры своего проекта, выбираете TTL для Redis и договариваетесь о структуре API. На следующий день открываете новый терминал, задаете вопрос, а в ответ — девственно чистая память и вежливое «Я не в курсе ваших прошлых решений». Контекстное окно не резиновое, а перекидывать логи чатов вручную — сомнительное удовольствие.
Недавно наткнулся на memsearch от ребят из Zilliz (это те, кто делает векторную базу Milvus). Они решили подойти к проблеме памяти ИИ-агентов с интересной стороны: сделать её кроссплатформенной и человекочитаемой одновременно.
О чем вообще речь
Проект memsearch — это система семантической памяти для AI-агентов. Если упростить, это прослойка, которая записывает ваши диалоги с ИИ в обычные Markdown-файлы и тут же индексирует их в векторной базе.
Главная фишка здесь в универсальности. Вы можете обсудить что-то с Claude Code, а потом спросить об этом у OpenClaw или через кастомный скрипт на Python. Память общая, и она «течет» между разными инструментами.
Почему это работает лучше обычного RAG
Обычно разработчики просто пихают в промпт куски документации. Memsearch идет глубже и предлагает трехуровневую систему извлечения данных:
- Сначала идет быстрый семантический поиск по коротким фрагментам.
- Если контекста мало, система разворачивает фрагмент до целого раздела Markdown-файла.
- В крайнем случае можно вытащить исходный транскрипт диалога из JSONL-логов.
Интересно, что авторы выбрали Markdown как «источник истины». Векторная база Milvus здесь выступает лишь в роли «теневого индекса». Если вы удалите базу, её можно полностью пересобрать из ваших .md файлов. Это удобно: память можно редактировать руками, коммитить в Git или просто читать как обычный дневник разработки.
Как это пощупать в деле
Если вы пользуетесь Claude Code, завести память можно парой команд прямо в чате:
/plugin marketplace add zilliztech/memsearch
/plugin install memsearch
После перезапуска Claude начнет автоматически сохранять итоги ваших бесед в папку .memsearch/memory/. Там будут появляться файлы с датами, например 2026-03-27.md. В следующий раз, когда вы спросите что-то вроде «какой TTL мы выбрали для Redis?», плагин сам сходит в базу и подкинет нужный контекст.
Для тех, кто предпочитает OpenClaw или OpenCode, процесс похожий — ставится плагин, и магия начинает работать в фоне.
Техническая внутрянка для разработчиков
Если вы пишете своего агента и хотите прикрутить ему память, memsearch предоставляет Python API. Библиотека берет на себя всю грязную работу: нарезку текста на чанки, создание эмбеддингов и поиск.
По умолчанию используется локальная модель ONNX bge-m3. Она весит около 550 МБ, качается один раз и работает на CPU. Это значит, что ваши данные не улетают на сторонние API для векторизации, и это бесплатно. Но если хочется, можно переключиться на OpenAI, Ollama или Voyage через конфиг.
Пример того, как это выглядит в коде:
from memsearch import MemSearch
# Указываем путь к папке с вашими заметками или логами
mem = MemSearch(paths=["./my_dev_notes"])
# Индексируем файлы
await mem.index()
# Ищем по смыслу
results = await mem.search("архитектура базы данных", top_k=3)
for res in results:
print(f"Найдено: {res['content']} (релевантность: {res['score']})")
Система использует гибридный поиск: векторный (Dense) + текстовый (BM25) с последующим переранжированием (RRF). Это помогает находить информацию, даже если вы не помните точных слов, а только общий смысл.
На что стоит обратить внимание
Проект активно развивается, и в README честно говорят, что вдохновлялись архитектурой OpenClaw. Из приятных мелочей: есть встроенный «watcher», который следит за изменениями файлов в реальном времени. Изменили заметку в Obsidian — memsearch тут же обновил вектор в базе.
Также есть функция compact. Она использует LLM, чтобы сжимать длинные логи диалогов в лаконичные выжимки. Это экономит место и делает поиск точнее, так как убирается лишний «шум» из вежливых фраз ИИ.
Кому это пригодится
В первую очередь тем, кто живет в терминале и использует AI-агентов как напарников. Memsearch избавляет от необходимости каждый раз пересказывать контекст задачи.
Также проект будет полезен разработчикам собственных RAG-систем. Вместо того чтобы городить велосипед с индексацией Markdown-файлов, можно взять готовую библиотеку, которая умеет в гибридный поиск и локальные эмбеддинги из коробки.
Попробовать CLI или посмотреть код можно в репозитории zilliztech/memsearch. Там же лежит подробная документация по настройке разных бэкендов, включая облачный Milvus, если локального SQLite-подобного решения станет мало.
