ai-agent-book/chapter3/README.ru.md

Глава 3 · Память пользователя и базы знаний

Позволяет агентам помнить пользователя между сессиями и обращаться к внешним знаниям. Охватывает системы пользовательской памяти, базовые пайплайны RAG, а также организацию и извлечение знаний за пределами плоского текста (структурированные индексы, графы знаний и т. д.).

← К оглавлению · 📖 Читать главу

Как читать эксперименты

В основном тексте короткие скелеты механизмов объясняют поток управления; в каталогах экспериментов находятся полные адаптеры SDK, журналы, тесты и приёмочные доказательства. Читать каждый файл построчно не требуется.

• Starter: Начните с цели, минимальной команды и условий приёмки; начните с user-memory / retrieval-pipeline;
• Builder: Проследите точку входа, основной цикл, схему состояния/сообщений, инструменты и проверяющий модуль.
• Maintainer: Затем изучите тесты, манифесты доказательств, обработку сбоев, откат и адаптеры провайдеров.

При первом чтении можно пропустить ключи, слой представления и совместимость провайдеров; вернитесь при воспроизведении чисел.

Сопутствующие проекты

Эксп.	Проект	Тип	Описание
3-1, 3-2	user-memory	✅	Строит систему долговременной пользовательской памяти, позволяя агенту помнить предпочтения и историю взаимодействий для персонализированного обслуживания.
3-1	user-memory-evaluation	✅	Систематически оценивает точность, релевантность и эффективность систем пользовательской памяти, включая множество тестовых сценариев и метрик.
3-2	mem0 · memobase	✅	Реализует пользовательскую память на каждом из двух открытых фреймворков памяти — mem0 и Memobase — как сравнительную реализацию для эксперимента 3-2 «Сравнение стратегий памяти», удобную для горизонтального сравнения форм извлечения и качества ответов у разных решений.
3-3	log-sanitization	✅	Интеллектуальная санитизация логов с использованием локальной модели Ollama для обнаружения и маскирования секретов и PII с сохранением отладочной ценности.
3-4	dense-embedding	✅	Строит сервис поиска по векторному сходству, сравнивая алгоритмы приближённого поиска ближайших соседей ANNOY (на деревьях) и HNSW (на графах). Показывает компромиссы между стратегиями индексации по скорости, памяти и способности к обновлению.
3-5	sparse-embedding	✅	С нуля реализует поисковый движок на разреженных векторах на базе алгоритма BM25. Даёт богатое логирование и визуализацию для понимания внутренней работы движка, включая расчёт весов частот терминов и принципы инвертированного индекса.
3-6	retrieval-pipeline	✅	Строит полный пайплайн извлечения, объединяя плотный поиск, разреженный поиск и нейросетевое переранжирование. На тщательно подобранных тест-кейсах систематически показывает взаимодополняющие преимущества гибридного поиска в разных сценариях.
3-7	structured-index	✅	Реализует и сравнивает два структурированных индекса — RAPTOR (рекурсивное дерево абстракций) и GraphRAG (граф знаний).
3-8	agentic-rag	✅	Сравнивает качество традиционного не-агентного RAG и агентного RAG. Показывает, как агент по паттерну ReAct ведёт итеративное извлечение информации, значительно повышая качество ответов в сложных юридических вопросах-ответах.
3-9	agentic-rag-for-user-memory	✅	Применяет фреймворк агентного RAG для управления историей диалогов пользователя. Использует многораундовый итеративный поиск для извлечения памяти между сессиями, обеспечивая базовое припоминание и кросс-сессионное извлечение.
3-10	contextual-retrieval	✅	Реализует технику контекстного извлечения, предложенную Anthropic. За счёт генерации префиксных сводок с ключевым контекстом для фрагментов текста решает проблему потери контекста при традиционном разбиении, снижая долю неудачных извлечений на 49–67%.
3-11	contextual-retrieval-for-user-memory	✅	Применяет технику контекстного извлечения к построению пользовательской памяти. Сочетает Advanced JSON Cards с Contextual RAG, образуя двухслойную структуру памяти для более высокоуровневого проактивного обслуживания.
3-12	structured-knowledge-extraction	✅	На примере судебных прецедентов реализует трёхэтапный пайплайн: «восходящее обнаружение факторов → кластеризация прототипов дел → диалоговый агент-консультант». Без заранее заданных жёстких полей LLM самостоятельно обнаруживает факторы из множества дел и обобщает их в модульную схему (базовые факторы + факторы-расширения под конкретный состав). Затем дела кластеризуются в несколько прототипов, и для каждого вычисляется важность каждого фактора. Агент сопоставляет факты нового дела с наиболее похожим прототипом, запрашивает недостающую информацию по важности факторов и даёт обоснованный доказательствами совет (с юридической оговоркой).

Типы проектов

Значок	Тип	Значение
✅	Автономный	Полный код в этом репозитории, запускается после настройки API-ключа
📖	Гайд по воспроизведению	Подробный документ, зависящий от внешних репозиториев через git clone
🚧	Проектный документ	Только архитектура/план реализации, рабочий код ещё в разработке