Открытие

Первое время я использовал AI-агента как stateless-сервис: спросил, ответил, закрыл сессию. На следующий день он ничего не помнил — приходилось каждый раз вводить в курс дела. Производительность была ограничена тем, как быстро я набирал контекст в начале каждой сессии.

Прорыв случился когда я начал вести структурированную память. Не один большой файл, а индекс с навигацией: project_*, feedback_*, reference_*. Агент в начале сессии читает индекс, решает что ему нужно, читает целевые файлы.

Структура

У меня сложилась такая схема: MEMORY.md — индекс. PLAN_ACTIVE.md — открытые задачи. project_*.md — про конкретные проекты. feedback_*.md — правила и предпочтения. reference_*.md — справочники (пароли, URL, схемы). _LIVE_STATE.md — что делают параллельные вкладки прямо сейчас.

memory/
├── MEMORY.md              # индекс
├── PLAN_ACTIVE.md         # открытые задачи
├── project_<name>.md      # детали проектов
├── feedback_<rule>.md     # правила работы
├── reference_<topic>.md   # справочники
└── _LIVE_STATE.md         # cross-tab активность

Главное правило — артефакт не врёт

Текст в плане устаревает. Память агента может быть неактуальной. Единственный источник правды — файлы на диске. Поэтому каждая закрытая задача в плане содержит поле Verified: с MD5/commit hash/URL ответа. Без артефакта — задача не закрыта, что бы агент ни говорил.

Что я понял

AI-агент — это младший сотрудник с прекрасной обучаемостью и катастрофической забывчивостью. Память — это его JIRA, Confluence, runbook и личный дневник в одном лице. Если её хорошо структурировать, агент становится в разы продуктивнее. Если плохо — он остаётся stateless-чатом, который ничего не помнит.