В AI-сообществе снова актуализировалась старая проблема: как сделать так, чтобы агент не забывал контекст и не галлюцинировал при работе с длинными цепочками операций. Проект с Reddit показывает конкретное решение — использование SurrealDB для хранения и извлечения памяти агента. Результат 77.2% на бенчмарке BEAM (это тест на корректность решений в многошаговых задачах) говорит, что подход работает лучше, чем наивное добавление всего контекста в промпт.

Почему это важно: большинство текущих агентов либо работают с фиксированным окном контекста (забывают), либо требуют настолько жесткой структурированности входных данных, что становятся неудобны в реальных сценариях. Попытка просто увеличивать контекстное окно упирается в лаги и стоимость. SurrealDB здесь выступает как специализированное хранилище, которое позволяет быстро искать релевантные фрагменты памяти агента, не грузя LLM всем подряд.

На практике это означает: агент может вести разговор часами, но обращаться к нужным деталям прошлых взаимодействий. На бумаге звучит как базовое требование, но в production это редко реализуется правильно. Проблема в том, что нужно не просто хранить данные, но быстро найти именно релевантные фрагменты для текущей задачи — и это требует либо сложного индексирования, либо дополнительного LLM-вызова для переранжирования.

Интересно, что проект получил независимые проверки на трёх площадках — это важный сигнал, потому что в сообществе AI-агентов часто видны переоценённые результаты, которые не воспроизводятся. Здесь похоже на подлинный улучшение, а не артефакт настройки под один конкретный тест.

Для российского бизнеса это имеет смысл в сценариях, где агент работает с клиентами или внутренними базами знаний долгое время. Например, в колл-центрах с автоматизацией, системах поддержки (когда агент консультирует по истории заказов) или внутренних ассистентах для аналитиков. AI Studio, наша платформа для автоматизации, позволяет встраивать такие агентов в бизнес-процессы — именно таким решениям нужна правильная память. Аналогичные проблемы возникают и в LLM-powered чатботах на Telegram или в рабочих мессенджерах.

Основной вопрос для внедрения: насколько критична задержка на поиск по памяти? Если агент отвечает в реальном времени (chat), то даже millisecond-лаги становятся заметны. Здесь нужны реальные тесты на латенсе, не только на точности ответов.