Как перестать объяснять одно и то же своему ИИ-агенту
Знакомая ситуация: открываешь Cursor или Claude Code, чтобы поправить баг в аутентификации, и тратишь первые пять минут на то, чтобы напомнить агенту, что вы используете jose вместо jsonwebtoken из-за Edge Runtime. На следующей неделе всё повторяется. Контекстное окно не резиновое, а файлы вроде CLAUDE.md или .cursorrules быстро забиваются мусором и перестают помогать.
Я наткнулся на проект agentmemory, который пытается решить проблему «склероза» у ИИ-агентов. Это не просто база данных, а полноценный слой памяти, который цепляется к вашему рабочему окружению и запоминает каждое действие, решение и архитектурный выбор.
Почему обычных промптов уже мало
Проблема большинства современных агентов в том, что каждая новая сессия для них — это чистый лист. Да, они могут просканировать файлы, но они не знают почему вы написали код именно так. В моей практике часто бывает, что агент предлагает «оптимизацию», которую мы уже пробовали и отвергли три дня назад из-за конфликта с какой-нибудь специфичной либой.
Agentmemory работает иначе. Он встраивается в цикл работы агента через хуки или MCP (Model Context Protocol). Когда агент выполняет команду или читает файл, инструмент сохраняет это как «наблюдение». Потом эти данные сжимаются, индексируются и подмешиваются в контекст следующей сессии.
Что умеет эта штука
Проект вырос из вирального гиста, где автор развивал идеи Андрея Карпати о «LLM Wiki». Сейчас это готовый инструмент с пачкой интересных фич.
Четыре уровня памяти
Разработчики вдохновлялись человеческим мозгом. Память здесь делится на типы:
- Рабочая: сырые логи действий (короткая память).
- Эпизодическая: краткие выжимки того, что происходило в конкретной сессии.
- Семантическая: факты и паттерны, которые агент извлек из работы.
- Процедурная: понимание ваших воркфлоу и того, как вы обычно принимаете решения.
Гибридный поиск
Инструмент не просто ищет по ключевым словам. Он использует связку из BM25 (классический текстовый поиск), векторного поиска (семантика) и графа знаний. Если вы спросите «как мы фиксили ту проблему с базой?», он найдет нужный контекст, даже если вы не помните точных названий таблиц или ошибок.
Экономия токенов
Вместо того чтобы скармливать модели огромные логи, agentmemory сжимает их. По тестам авторов, это дает до 92% экономии токенов. Вместо 20 тысяч токенов контекста модель получает около двух тысяч самых релевантных выжимок. Для тех, кто платит за API Anthropic или OpenAI из своего кармана, это весомый аргумент.
Как это устроено внутри
В основе лежит iii-engine — легковесная среда выполнения, которая заменяет привычный стек из Express, Redis и Postgres одной бинарной сущностью. Для хранения используется SQLite с векторными расширениями.
Интересно, что проект не требует обязательного наличия внешних баз данных или платных API для эмбеддингов. Можно поставить локальную модель all-MiniLM-L6-v2 через Transformers.js, и всё будет крутиться прямо на вашей машине.
Для тех, кто любит контролировать процесс, есть встроенный визуализатор на порту 3113. Там можно в реальном времени смотреть, что именно агент запомнил, как выглядит граф знаний вашего проекта и какие «факты» о вашем коде сейчас хранятся в базе.
Практический старт
Самый быстрый способ пощупать инструмент — запустить сервер через npx:
npx @agentmemory/agentmemory
После этого его можно подключить к любому популярному агенту. Список поддерживаемых впечатляет: Claude Code, Cursor, Windsurf, Aider, Cline и даже стандартный Claude Desktop. Поскольку инструмент работает через MCP, настройка сводится к добавлению пары строк в конфиг вашего редактора.
Например, для Cursor достаточно добавить новый MCP сервер с командой npx -y @agentmemory/mcp. После этого у агента появятся новые инструменты вроде memory_smart_search или memory_save.
Кому это пригодится
Я бы не сказал, что это нужно для мелких скриптов на один вечер. Но если вы работаете над долгоживущим проектом, где:
- Сложная архитектура, которую трудно удержать в одном промпте.
- Много специфичных договоренностей по кодстайлу.
- Есть легаси, в которое агент постоянно пытается залезть со своими «улучшениями».
В таких случаях agentmemory реально экономит время на онбординг ИИ в контекст задачи.
Из минусов: документация местами перегружена внутренними терминами iii-engine, и новичку может быть сложно разобраться в 50+ доступных инструментах. Но для базовой работы достаточно просто запустить сервер и позволить ему тихо записывать ваши сессии.
Проект активно развивается, и судя по количеству тестов (их там больше 800), автор настроен серьезно. Если вы чувствуете, что ваш ИИ-помощник начал «тупить» на больших объемах данных, это определенно тот инструмент, который стоит попробовать.
