Все говорят «ИИ-агент с памятью». Никто не объясняет как это устроено внутри. Вот рабочая архитектура из практики (Gemini CLI, но принцип универсален для Claude Code, Codex):

Уровень 1 — Оперативная память (SQLite) Текущий контекст сессии. Что сделано сегодня, какие задачи открыты, последние ответы. Очищается при завершении сессии.

Уровень 2 — Долгосрочная память (Obsidian / markdown) Факты, которые должны переживать рестарт: профили клиентов, шаблоны ответов, устойчивые инструкции. Агент читает и пишет в markdown-файлы как в базу знаний.

Уровень 3 — Системная память (agent.md / CLAUDE.md) Характер и правила агента. Кто он, что может, чего не делает, как форматирует ответы. Меняется редко — только при смене бизнес-процесса.

Как это работает в CRM-контексте: - agent.md → “Ты CRM-ассистент. Отвечай кратко. Язык: рус.” - Obsidian/client_prefs.md → “Иванов: предпочитает WhatsApp, не звонить до 10:00” - SQLite → [текущая сессия: открытые задачи менеджера Петрова]

Менеджер пишет: «Что по Иванову?» Агент читает уровень 2 (Obsidian) + уровень 1 (SQLite) → даёт ответ с учётом истории.

Почему это лучше RAG-пайплайна для малого бизнеса: — Нет векторных баз, нет embedding-моделей, нет дополнительных затрат — Файлы читаются напрямую — агент видит весь контекст, а не «похожие куски» — Можно редактировать руками — менеджер сам правит client_prefs.md

Настройка за 15 минут, не за 3 дня.

Внедрил у себя такую схему? Пиши в комменты — соберём кейсы.