Недавно GibsonAI представила Memori, инновационный открытый движок памяти для AI-агентов, использующий стандартные SQL-базы данных. Это решение призвано устранить общие проблемы современных AI-агентов, основанных на больших языковых моделях (LLM), которые часто "забывают" предыдущие взаимодействия. Такое отсутствие памяти приводит к неэффективной трате времени на повторное объяснение контекста, недостаточной персонализации и сложностям с соблюдением нормативных требований.

Традиционные подходы, такие как векторные базы данных, хотя и применяются в системах Retrieval Augmented Generation (RAG), зачастую сопряжены с трудностями: они сложны в настройке, привязывают к конкретным поставщикам, требуют высоких затрат и усложняют отладку.

Memori предлагает элегантное решение этих проблем, опираясь на хорошо известный и проверенный SQL. Этот движок обеспечивает прозрачную и легкодоступную память для AI-агентов, эффективно извлекая ключевые данные и их связи с помощью стандартных SQL-запросов. Среди ключевых преимуществ Memori стоит отметить простую интеграцию (достаточно одной строки кода), полный контроль пользователей над своими данными, высокую прозрачность (все данные доступны для просмотра через SQL) и отсутствие привязки к конкретному поставщику. Экономическая эффективность также является важным фактором: Memori на 80-90% дешевле по сравнению с векторными базами данных и обеспечивает полное соответствие нормативным требованиям.

Согласно представленной информации, Memori включает двухрежимную систему памяти (сочетание "рабочей" и "интеллектуальной"), универсальный уровень интеграции для LLM и многоагентную архитектуру. Первые результаты внедрения впечатляют: сокращение времени разработки систем памяти на 90%, снижение затрат на инфраструктуру на 80-90%, ускорение выполнения запросов в 2-4 раза и 100% переносимость данных памяти с первого дня. Это значительный шаг вперед для разработки более интеллектуальных и эффективных AI-систем.

Ссылка на оригинал