Мой AI-агент работал 3 недели — и всё ещё как с амнезией

На прошлой неделе я поручил Telegram-агенту вести давнего клиента. Всё сохранено, контекст огромный, даже ChatGPT Memory включена — казалось, готово.

Через три недели перед follow-up письмом он спросил:

«Напомните, из какой вы компании? Можете кратко описать проект?»

Клиент кинул скрин в общий канал. Тогда стало ясно: агент помнил чат, а не отношения. Пилотные команды кивали — проигрывали не «глупой модели», а тому, что путали историю чата с Agent Memory.

Ниже — как мы чинили OpenClaw: живые сценарии, не глоссарий с порога, и разделение AI Memory (как система хранит) и history в UI. Стек: OpenHuman vs ChatGPT Memory; IDE: Karpathy о слоях контекста.

Сценарий 1: чат на месте, правило пропало

B2B-поддержка рассказала ту же историю.

На третьей неделе клиент: «Сметы только PDF, без Excel.» Агент: «Записал.» В админке — каждое слово на месте, «PDF» ищется.

Через три месяца — смета в Excel. Клиент взорвался: «Вы вообще следите?»

Правило не попало в извлекаемую, принудительную Memory — затерялось среди болтовни и неверной копии. В новой сессии «клиент A = только PDF» не поднимается в начало prompt.

История чата — след для аудита. Agent Memory — состояние для следующего решения, как флаг CRM «без Excel», а не трёхчасовой звонок перед каждой сделкой.

Сценарий 2: миллион токенов не спас Claude Code от двойной работы

В Claude Code я словил другое.

Карта monorepo, архитектурные docs — два дня. «Окно большое, продолжу потом.»

Через две недели: «Продолжи доку по тому репо.» Снова скан, похожий план. Часть чата есть — статус задачи нет: какой подмодуль, что в docs/, что ждёт меня — в выводе инструментов и на диске.

Karpathy: «Не используй бесконечный контекст как диск.» В AI Memory — однострочный обновляемый чекпоинт, не 20 тысяч строк stdout.

LangGraph: memory и thread state. Список сообщений ≠ хранилище памяти.

Три вещи, которые агенту реально нужно помнить

• Кто и жёсткие правила — клиент A только PDF; босс ненавидит длинные голосовые; команда в UTC.
• Где остановились — тикет #482 у юристов; алерт ack, root cause открыт; дока до главы 3.
• Как в следующий раз — чеклист релиза, согласование, порядок on-call.

В архитектуре это Semantic, Episodic, Procedural — нет слоя — стыд в этом сценарии.

Наша яма: embedить весь чат

Ранний OpenClaw: векторизовать весь транскрипт. Через месяц — устаревший deploy-playbook как текущий SOP; противоречивые фрагменты → уверенный неверный выбор.

Сложно не записать, а удалить, изменить, разграничить. Каждая строка Agent Memory: источник, дата, срок/версия. Фильтр клиент/проект, затем затухание по времени — меньше выдуманных «политик». Это пишем в договор, не «подумайте о vector DB».

MCP: выводы в Memory, не stdout в индекс. Model Context Protocol.

Хватит ли ChatGPT Memory?

ChatGPT Memory хороша для тона в одном приложении. Агент в Slack, Telegram, cron, IDE — Memory остаётся в OpenAI. Обзор стека: ChatGPT = голос, OpenHuman = рабочие факты, OpenClaw+MCP = исполнение. Только чат — Memory хватит. Рабочий агент — отдельный слой AI Memory.

Долгая работа: память — только шаг один

Memory починили — агент не переживает ночь: крышка, Wi-Fi, kill MCP, утренний cron мёртв. Записи в store есть, агента как не было.

Три слоя: память, исполнение (OpenClaw Gateway на VPS), инструменты (тяжёлый MCP, xcodebuild не на засыпающем ноутбуке). Memory на Mac/NAS, шлюз на Linux VPS, сборки на облачном Mac. Gateway на VPS.

Короткие ответы