AI Agent Memory — це фундамент для LLM-агентів, які мають пам’ятати контекст між сесіями. Моделі стартують з нуля щоразу, тож стан має жити поза ними. Для реальних сценаріїв, де історія діалогів тягнеться тижнями, зважайте на довгі контексти: BEAM тестує до 10M tokens, де зовнішня пам’ять справді працює. Розберімося, як побудувати пам’ять агентів, як оцінити її якість і як запустити це в n8n разом із Cognee.
Що таке AI Agent Memory?
AI Agent Memory — це зовнішній шар збереження, де агент фіксує нові факти, результати дій і вподобання, а потім дістає їх до кожного виклику LLM. Модель як і раніше бачить один промпт; змінюється лише те, як ми конструюємо цей промпт з актуальних фрагментів пам’яті.
LLM не пам’ятає попередні запити. Щоб агент працював послідовно, пам’ять живе поза моделлю: агент записує те, що дізнався, а перед наступним викликом дістає релевантні шматки та додає їх у контекст.
Цей шар вирішує, що саме зберігати, як це структурувати та що вважати доречним для поточного завдання. Від його дизайну залежить, чи агент пам’ятатиме потрібне, чи потоне в шумі.
Як працює пам’ять AI-агента?
Зазвичай поєднуються короткострокова і довгострокова пам’ять. Кожна виконує свою роль і часто реалізується окремими компонентами.
Короткострокова пам’ять тримає контекст поточної сесії: нещодавні повідомлення, проміжні міркування, виходи інструментів, стан задачі. Коли вікно контексту заповнюється, часто роблять стислий підсумок історії та підмішують його назад. Але стискання губить деталі — особливо у проміжних чернетках або вартісних обчисленнях.
Довгострокова пам’ять живе між сесіями: вподобання користувача, результати попередніх задач, висновки «що спрацювало», а також знання компанії: документація, тікети, CRM-записи. Вона майже завжди потребує окремого шару з першого дня, щоб вирішувати, що зберігати, як організовувати та як повертати це в запит.
У підсумку модель отримує один промпт: нове повідомлення користувача + контекст сесії + релевантні довгострокові спогади саме для цього кроку.
Які бувають архітектури пам’яті?
Будь-яка система пам’яті має три складники: сховище, логіку запису і інтерфейс пошуку. Обране сховище сильно впливає на інші два. Основні підходи такі.
Векторні бази. Спогади перетворюються на ембедінги й шукаються за семантичною схожістю. Їх легко запускати та добре підтримують інструменти. Але схожість — не все: «Q3 sales» і «Q4 sales» будуть майже поряд, немає поняття «актуальності факту», а інакше сформульовані релевантні записи можна проґавити.
Звичайні файли. Агент підтримує MEMORY.md (або схожий файл), який читає й редагує. Такий підхід полюбили кодові агенти. Це прозоро і керовано версіями, але пошук або «завантажити все», або «grep», а спільне використання файлу багатьма агентами швидко ускладнюється.
Графи знань. Факти стають сутностями та зв’язками: звіт з продажів покриває угоди в ЄС, угоди в ЄС у євро, цифри з білінгового експорту. Пошук знаходить вхідну точку та слідує ребрам, повертаючи логічно пов’язані факти, а не тільки схожі за формулюванням. Компроміс — більша робота на етапі прийому даних.
Гібридні системи. На практиці одного сховища мало. Точні ID вимагають структурованого індексу, зв’язки — графа, «плаваючу» схожість — векторів, а питання на кшталт «що клієнт віддавав перевагу в березні?» — часових міток. Тому шар пам’яті — це більше, ніж база: він вирішує, що й куди зберігати, та надає операції запису, пошуку, оновлення і забування.
| Архітектура | Сильна сторона | Обмеження |
|---|---|---|
| Векторна база | Семантичний пошук | Плутанина близьких фактів, відсутність «актуальності» |
| Файли | Прозорість, контроль версій | Грубий пошук, складно ділитися між агентами |
| Граф знань | Логічно пов’язані відповіді | Більше роботи на інжесті |
| Гібрид | Покриває різні кейси | Потрібна координаційна логіка шару пам’яті |
Як керувати пам’яттю в AI-системах?
Пам’ять має не лише накопичуватися, а й керуватися, інакше якість падає. Три ключові процеси: консолідація, оновлення і забування.
Консолідація. Сирі записи накопичуються швидше, ніж стають корисними. Періодично зводьте їх у меншу кількість високорівневих записів (підсумки, похідні факти), зберігаючи слід до оригіналів.
Оновлення. Факти змінюються. Сліпе перезаписування втрачає історію. Зберігайте час і версії, щоб відповідати і «що істинно зараз?», і «що вважали в березні?».
Забування. Частину даних треба видаляти: застарілі набори, виправлення, запити на стирання. Це має бути явна операція, відмінна від «поступового згасання релевантності».
Найкращі системи також навчаються на використанні: підтверджені відповіді підсилюють пов’язані спогади, виправлення — знижують вагу хибних. З часом пошук має ставати точнішим, а не шумнішим.
Як оцінити ефективність AI Agent Memory?
Публічні бенчмарки дають перший сигнал. Зазвичай: подайте довгу історію в систему пам’яті, а потім ставте питання, що вимагають зберегти й витягти правильні факти, зокрема змінені або суперечливі.
Розмір має значення. LoCoMo тримається близько 26k tokens; LongMemEval у поширеному варіанті — приблизно 115k tokens. BEAM найвимогливіший: розмови до 10M tokens, тож зовнішня пам’ять реально працює.
За BEAM повідомляють state of the art: 79% на 100K tokens і 67% на 10M, встановлено Cognee, що вище за попередні 73.4% і 64.1%. Але більшість бенчмарків перевіряють лише фінальні відповіді, а не те, що й як реально зберігалося місяцями чи при спільному доступі багатьох агентів.
| Бенчмарк | Довжина розмови | Поточні цифри |
|---|---|---|
| LoCoMo | ~26k tokens | — |
| LongMemEval | ~115k tokens | — |
| BEAM | 100K tokens | 79% (Cognee), попер.: 73.4% |
| BEAM | 10M tokens | 67% (Cognee), попер.: 64.1% |
How to run n8n agent memory?
Є два перевірені патерни: спільна «мозкова» пам’ять для всіх workflow і пам’ять усередині одного агентного workflow. Обидва поєднуються з Cognee як шаром довгострокової пам’яті.
1) Спільний «мозок» для workflow. Колекторні воркфлови n8n через тригери й інтеграції збирають нові матеріали (закритий тікет, підсумок дзвінка, форму) і надсилають їх у шар пам’яті, який структурує та з’єднує дані. Дієві воркфлови звертаються до тієї ж пам’яті перед дією: «Який статус у Acme і що обіцяли?», а відповідь іде далі по вузлах. Коли всі пишуть і читають із одного місця, контекст ділиться без дублювання логіки.
2) Пам’ять усередині агентного workflow. Порт Memory AI Agent у n8n покриває короткострокову частину. За замовчуванням Simple Memory зберігає настроювану довжину історії чату сесії — це найпростіший старт. Для довгострокових знань підключіть шар пам’яті до порту Tool, де агент використовує додатковий контекст або ресурси: вирішує, коли щось запам’ятати, а коли шукати у знаннях компанії.
Стисло: вбудована пам’ять n8n добре підходить для одного чату. Щоб пам’ять еволюціонувала та ділилась між воркфловами й агентами, комбінуйте її з шаром пам’яті на кшталт Cognee.
Часті питання
AI Agent Memory — що це і як працює?
Це зовнішній шар, де агент зберігає факти, вподобання та результати дій, а потім витягує релевантне до кожного запиту. Короткострокова пам’ять тримає контекст сесії, довгострокова — знання між сесіями, включно з документацією, тікетами та CRM-записами. Модель все одно отримує один промпт, але ми збираємо його з потрібних шматків пам’яті перед кожним викликом.
AI agent memory vs RAG comparison — у чому різниця?
RAG щось читає з джерела і додає в промпт, але не пише назад. Він не пам’ятає, що питали минулого тижня, чи яка правка вже провалилася. Агентна пам’ять починається там, де агент записує нові факти, вподобання й результати, щоб використати їх пізніше. Ідеальний сценарій — поєднати RAG для читання наявних знань і довгострокову пам’ять для власного досвіду агента.
Cognee and n8n pricing — скільки це коштує?
У вихідному матеріалі немає інформації про вартість. Підхід зосереджений на архітектурі пам’яті, бенчмарках і інтеграційному патерні n8n + Cognee. Щоб підібрати конфігурацію та бюджет, перевірте офіційні сторінки продуктів або документацію та зіставте це з обсягами даних і вимогами до довгих діалогів, наприклад до 10M tokens у BEAM.
AI agent memory for support teams — для кого підходить?
Командам підтримки, продажів і будь-яким процесам, де діалоги мають продовження. Приклад з матеріалу: агент підтримки з повторним зверненням, сейлз-асистент до дзвінка з поновлення, або воркфлоу, що запускається щогодини і має пам’ятати попередній крок. Спільний шар пам’яті дозволяє всім воркфловам працювати з єдиним контекстом компанії: тікети, документи, нотатки CRM, транскрипти дзвінків.
How to run n8n agent memory — як почати?
Запустіть два патерни. Спершу спільний «мозок»: колектори в n8n збирають нові артефакти і надсилають їх у пам’ять; дієві воркфлови запитують цю пам’ять перед дією. Далі — усередині агента: підключіть Simple Memory на порту Memory для сесії та шар пам’яті на порту Tool для довгострокових знань. Поєднуйте це з Cognee, щоб структура й зв’язки зберігалися та віддавалися агенту вчасно.
На основі матеріалу n8n Official Blog.
