Память для ИИ: почему чат-бот забывает, а агент — нет

Гостевая статья для pimenov.ai · Автор: Антон (QuantumStocks), сентябрь 2026

Представьте: вы час объясняете задачу новому сотруднику. Он кивает, всё понимает, выдаёт блестящую идею. Вы уходите на обед, возвращаетесь — а он смотрит на вас как в первый раз. «А вы кто? Мы знакомы?»

Это не шутка. Это ваш любимый чат-бот. И сегодня я расскажу, как мы это починили в своей команде — и почему именно наличие памяти превратило ИИ из забавного собеседника в работника, которому можно доверять работу с деньгами. Плюс покажу реальное устройство нашей памяти — с цифрами и живыми данными. Без формул, обещаю.

Часть 1. Контекст — это не память. Это оперативка

Когда вы пишете боту сообщение, он не «вспоминает» ваш разговор. Он перечитывает его заново — целиком, каждый раз.

Весь диалог, который модель «помнит», лежит в контекстном окне — рабочем пространстве ограниченного размера (измеряется в токенах, кусках слов). У первого ChatGPT это окно вмещало примерно 3 000 слов. Что перевалило за край — стёрлось. Не «переварилось в опыт», а исчезло.

Отсюда правило, которое стоит запомнить:

Контекст — это оперативка. Память — это то, что пережило закрытие вкладки.

И финансовый анализ упирается в это ограничение сильнее, чем любая другая область. Ведь финансы — это не работа со стабильными данными. Ваши архивы документов не меняются задним числом. А рынок меняется каждую секунду: цены, лента сделок, стакан заявок, новости, ставки центробанков, отчёты компаний. Модель, у которой нет доступа к живым данным и нет памяти о том, что уже происходило, — это как аналитик, которого заперли в комнате без интернета, но с учебником экономики десятилетней давности. Голова отличная — сказать ничего нельзя.

Часть 2. Три кита памяти ИИ-агента

Когда мы строили свою систему, выяснилось, что «память» — это не одна штука, а минимум три разных механизма. Разберём каждый.

Кит 1. Векторная база — «библиотека по смыслу»

Обычный поиск ищет по словам: запрос «дивиденды» найдёт документы со словом «дивиденды». Векторная база ищет по смыслу: она превращает каждый текст в длинный список чисел (вектор), где похожие по смыслу тексты получают похожие списки. Запрос «когда у компании были проблемы с поставками» найдёт абзац про «перебои в логистике» — хотя общих слов ноль.

Как это работает в агенте: перед ответом агент сам формулирует поисковый запрос к базе, достаёт несколько самых релевантных кусков знаний и кладёт их в свой контекст. Отвечает — уже с опорой на них. Это называется RAG, Retrieval-Augmented Generation.

Кит 2. Граф знаний — «понимание, кто кому кем приходится»

Векторная база отвечает на вопрос «найди похожее». Но она не понимает связей. Запись «сигнал X привёл к убытку Y в сделке Z» и запись «сделка Z открыта по стратегии S» — это два отдельных текста, и поиск по смыслу их не свяжет.

Для связей нужен граф знаний: сущности (компании, стратегии, ошибки, решения) и связи между ними («привела к», «использовала», «противоречит»). Мы используем LightRAG — гибрид: векторный поиск по текстам плюс граф связей поверх. Это даёт агенту возможность отвечать на вопросы вроде «какие из наших стратегий пострадали от одного и того же типа ошибок?» — на такие вопросы ни чат-бот, ни чистая векторная база не ответят в принципе.

Кит 3. Навыки — «карьера агента»

Самый недооценённый уровень. Кроме фактов, агент может накапливать процедуры: проверенные способы решения типовых задач. У нас это текстовые файлы-«навыки»: как оформлять отчёт, как проверять данные, как общаться с другим агентом. Новый навык появляется просто: агент (или человек) описал удачный способ решения — файл записан в библиотеку — теперь любой агент команды найдёт его по смыслу и применит.

Получается эволюция: факты (библиотека) → связи (понимание) → умения (карьера). Именно так растёт человек-специалист. И точно так же теперь растёт агент.

Часть 3. Зачем всё это в финансах: где память стоит денег

Финансы — идеальный полигон для памяти ИИ, потому что там каждая ошибка имеет ценник. Вот реальная история из нашей практики.

Фактор, который читал будущее.

Однажды мы обучали нейросеть предсказывать движение цен и построили для неё набор признаков («фичей») на основе Smart Money Concepts — популярной у трейдеров методологии «за кем стоит рынок». Прогнали на 35 инструментах за 10 лет истории. Результат: сила сигнала (IC) в среднем 0.15 — это уровень топовых мировых хедж-фондовых факторов. Уже видели себя на обложке?

К счастью, у нас есть этап проверки. И он вскрыл: ошибка была в коде генерации признаков, а не в нейросети. Код, который «определял сильные уровни» рынка, заглядывал на несколько баров вперёд, в будущее — признаки вычислялись с использованием данных из дней, которые в реальности ещё не наступили. Классическая ошибка в подготовке данных — утечка (lookahead bias). Нейросеть честно училась — но училась на «списанных ответах». После исправления кода (одна правка, занимающая вечер) сигнал упал с 0.15 до честного нуля. Обратите внимание: сама нейросеть была ни при чём — это обычный баг в пайплайне данных, и классический ML-конвейер ловит его обычной проверкой.

А теперь — зачем тут память. Код мы исправили один раз, да. Но история на этом не заканчивается: у нас обучение моделей — постоянный процесс, и новые модели пишутся регулярно (в том числе самими агентами). И вот здесь работает память: урок «утечка возможна, вот как она выглядела, вот чек-лист проверки любого нового пайплайна данных» записан в базу знаний. Каждый агент или человек, взявшись за конструирование новых признаков, первым делом получает это предупреждение. Баг исправляется за вечер. А вот защита от повторения бага — это именно память.

В финансах забытый урок — это не неловкость, это убыток. Поэтому память здесь — не удобство, а страховка.

Часть 4. Наша память в цифрах: как это устроено у нас

Теперь покажу реальную кухню — без маркетинга, с живыми цифрами из работающей системы.

Векторное хранилище

Наша векторная база (Qdrant) организована как библиотека с тематическими полками: каждая коллекция — своя тема, внутри — векторы размерности 768 (это стандарт для языковых моделей-«эмбеддеров», превращающих текст в числа). Вот реальные полки:

• Новости Bloomberg (рынки): 47 137 векторов
• Макро-календарь (ставки, отчёты, события): 31 008 векторов
• Новости Bloomberg (политика): 2 196 векторов
• Новости Bloomberg (технологии): 1 732 вектора
• CNBC: 1 906 векторов
• Новости российского рынка (Финам): 974 вектора
• Журнал сделок и решений фонда: 32 вектора
• Отчёты ФРС: 31 вектор
• ...и отдельные коллекции под макро-анализ, торговые гипотезы и журнал ошибок

Итого — более 85 тысяч текстовых фрагментов, размеченных по смыслу и готовых к поиску за миллисекунды. Когда агенту нужно понять «что происходило с рынком при похожих условиях», он не листает ленту — он формулирует запрос и получает выжимку из десятков тысяч документов. Это и есть разница между «ботом» и «аналитиком с библиотекой».

Поток данных

Но в финансах память — это не только тексты. У нас есть живой слой данных, обновляющийся в реальном времени:

• Рыночные данные через собственный конвейер: живые котировки, стакан заявок, лента сделок по акциям и фьючерсам — сотни инструментов, обновление каждые секунды. Запрос агента «что происходит прямо сейчас с Сбером» возвращает последнюю цену, ближайшие уровни спроса и предложения — за один вызов
• Шина данных (Redis): больше 2 000 ключей с котировками, историей, макро-показателями и сигналами — общий «рабочий стол» всех агентов
• Исторический архив: годы баров и сделок для проверки любых гипотез

Граф знаний

Слой LightRAG (живой сервис в нашем стеке) превращает тот же массив текстов в граф связей: компании ↔ события ↔ стратегии ↔ ошибки ↔ решения. Отдельный сервис (GTE) отвечает за превращение текста в векторы. Всё это крутится у нас локально, в нескольких docker-контейнерах, — те самые «полки» выше и есть эти контейнеры.

Команда, которая этим пользуется

И вот зачем вся эта машинерия. Над памятью работает команда из 19 агентов, каждый со своей ролью:

• Аналитический блок: макро-экономист (ставки, инфляция, ЦБ), специалисты по акциям, облигациям, валютам (форекс), сырьевым товарам (нефть, золото, металлы), крипте
• Технический блок: специалист по техническому анализу, ML-прогнозист (нейросети), специалист по Smart Money Concepts, опционный аналитик
• Риск и исполнение: риск-менеджер (лимиты, стресс-тесты), портфельный управляющий, скальпер
• Инфраструктура: новостной аналитик (сентимент), «почемучка» (ищет объяснения, почему рынок движется), исследователь ML-стратегий, специалист по базе знаний, «маркетолог» (отчёты и дашборды)
• И я — аудитор и координатор

Каждый агент — обычная языковая модель, подключённая к общей памяти и своим инструментам. Никакой магии: та же GPT, что отвечает вам в браузере, — но с библиотекой, карьерой навыков и доступом к живым данным.

Часть 5. Что это даёт на выходе

Правильно настроенная архитектура памяти превращает «бота, который отвечает на вопросы» в систему непрерывного анализа. Вот что она делает у нас каждый день, без человека за клавиатурой:

• Анализ рынка в реальном времени. Каждые 30 минут скринер проверяет американский рынок; раз в час формируется сводка по ключевым индексам, золоту, нефти, валютам — с автоматическим сравнением с историей и поиском аномалий
• Отслеживание аномалий. Объёмные всплески, аномальная динамика объёмов в отдельных активах, расхождения цены и новостей — всё это агенты замечают и описывают сами, поднимая из памяти похожие эпизоды прошлого
• Мониторинг новостей. Три RSS-потока новостей (Bloomberg, CNBC, российские источники) вливаются в векторную базу в реальном времени; агенты сверяют новости с открытыми позициями и макро-контекстом
• Ночные дебаты. Перед важными макро-событиями агенты спорят в общей шине: каждый приносит анализ, опирающийся на общую память, критики проверяют друг друга по своим источникам, итоговый документ ложится на стол человеку
• Утренний брифинг и вечерний отчёт. Система сама пишет сводки: что произошло за день, какие гипотезы подтвердились, какие уроки записать в базу

И ключевой момент: ни одна из этих функций не потребовала написать «ещё одну нейросеть». Вся система собрана из стандартных блоков — векторная база, граф знаний, шина данных, обычные языковые модели. Инновация — не в моделях, а в архитектуре памяти вокруг них.

QuantumStocksru на RoboForex — ссылка, предоставленная автором

Часть 6. Соберите себе агента с памятью за вечер

Всё описанное не требует команды инженеров:

1. Уровень 1 (15 минут): загрузите свои документы в NotebookLM или Claude Projects. Готово — RAG без единой строчки кода: бот отвечает по вашим материалам, а не по среднему интернету.
2. Уровень 2 (вечер): поставьте Qdrant (одна docker-команда), нарежьте свои тексты, сложите в базу, подключите поиск к любой LLM через MCP. Это уже ваша система памяти: она ищет по смыслу и хранит всё, что вы в неё положили.

По теме: Mem0 — слой памяти для ИИ-агентов и приложений. В материале рассмотрена и самостоятельная связка на векторной базе, включая Qdrant.

1. Уровень 3 (выходные): добавьте папку «навыков» — текстовых инструкций, которые агент подгружает по смыслу задачи. И заведите привычку: каждая ошибка → запись формата «что делали → что обнаружили → как проверять впредь». Одна такая запись стоит десятка страниц конспектов.

И начните с самого простого действия прямо сегодня: сделайте первую запись в собственной базе знаний — «Чему я научился за последний месяц, но уже начинаю забывать». Этот файл переживёт закрытие вкладки. Дальше — больше.

Вместо заключения

Чат-бот без памяти — это гениальный собеседник с амнезией. Агент с памятью — это коллега, который помнит все ваши договорённости, все собранные грабли и все проверенные решения — и становится умнее с каждой неделей.

Разница между ними — не в размере бюджета и не в доступе к «самой крутой модели». Модели сегодня арендуются за центы. Разница — в том, построена ли у системы память: библиотека знаний, связи между фактами и накопленная карьера навыков. Именно это отличает инструмент от сотрудника. И именно это доступно сегодня одному человеку с ноутбуком — что в финансах, где ошибка стоит денег, а опыт — ещё дороже, так и в любой другой области.

Автор: Антон — управляющий активами, строит мультиагентную ИИ-систему для управления капиталом (QuantumStocks). Пишет о практике применения ИИ в финансах.

Следующий шаг

AGENTS.md / SESSION_NOTES — проектная память для coding-агентов

Связанные материалы

• Статья: Общая память ИИ-компании: что должны знать агенты друг о друге
• Блог: Держите памятку для агента свежей
• База знаний: Mem0 — слой памяти для ИИ-агентов и приложений

Если вы собираете собственную систему с ИИ-агентами, можно обсудить, какие знания и рабочие процедуры ей нужно сохранять между задачами.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov