Agent Memory — Как настроить память, чтобы агенты не забывали

Всё про память агентов: настройка, структура, антипаттерны. Из реального опыта 11 агентов за 3 месяца.

Когда использовать

• Агент забывает решения между сессиями
• Память переполняется (context overflow)
• Агент повторяет одни и те же ошибки
• Настройка памяти с нуля
• Аудит: работает ли память

Проблема

Без правильной памяти агент = золотая рыбка:

• Забывает через 1 сессию
• Повторяет ошибки
• Не учится на фидбэке
• Каждый раз "с чистого листа"

Три слоя памяти

СЛОЙ 1: MEMORY.md (оперативная)
  → Кто я, ключевые решения, ID, пути
  → Читается КАЖДУЮ сессию
  → Размер: 50-100 строк MAX

СЛОЙ 2: memory/ папка (дневники)
  → memory/2026-03-05.md
  → Что решили, что сделали, что забагалось
  → Ищется через memory_search (embeddings)

СЛОЙ 3: learning/ папка (правила)
  → learning/patterns.md — что работает
  → learning/anti-patterns.md — что НЕ работает
  → learning/corrections.md — исправления от владельца
  → Читается на старте сессии

MEMORY.md — Структура

# MEMORY.md — {Имя агента}

## Владелец
- Имя: {имя}
- Telegram ID: {id}
- Timezone: {tz}

## Решения (постоянные)
- [DECISION] {что решено} → {как делать}

## Проекты
| Проект | Путь |
|--------|------|
| {name} | projects/{name}/ |

## Блокеры
- 🔴 {критичное}
- 🟡 {некритичное}

Правила:

• НЕ БОЛЬШЕ 100 строк. Длинный MEMORY.md = агент путается
• Только ФАКТЫ. Никаких "мы обсуждали..."
• Обновлять регулярно: убирать устаревшее, добавлять новое

memory/ — Дневные логи

Формат файла: memory/YYYY-MM-DD.md

# Memory — YYYY-MM-DD

## Decisions
- [DECISION] {что решено} → {результат}

## Active Tasks
- [TASK] {задача} | status: done/in-progress/blocked | next: {шаг}

## Corrections
- [CORRECTION] {что пошло не так} | [CORRECT] {как правильно}

## Context for Next Session
- {факт который будущее я ДОЛЖЕН знать}

Правила:

• Одна строка = один факт
• Никаких абзацев и рассуждений
• Пишется СРАЗУ когда что-то важное произошло (не в конце дня)

learning/ — Правила

learning/patterns.md (что работает)

## 2026-03-05
- Pipeline selling-meanings → headlines → copywriting даёт стабильное качество
- Threads < 500 символов получают больше охватов

learning/anti-patterns.md (что НЕ работает)

## 2026-03-05
- ❌ Генерация без voice-style → генерик-текст
- ❌ SOUL > 200 строк → агент игнорирует половину
- ❌ Память без compaction: safeguard → потеря контекста

learning/corrections.md (исправления)

## 2026-03-05
- [RULE] [style] Без эмодзи в заголовках постов
- [RULE] [tone] На "ты", не на "Вы"
- [RULE] [content] Не придумывать факты об эксперте

Установка памяти (VPS / свежая машина)

Шаг 1: QMD (локальный поиск)

QMD — движок который индексирует все файлы памяти и даёт быстрый поиск (BM25 + vectors + rerank).

# Установка
bun install -g https://github.com/tobi/qmd

# Проверка
qmd --help

Если bun не установлен:

curl -fsSL https://bun.sh/install | bash

Шаг 2: Индексация

# Добавить коллекцию агентов
qmd collection add ~/openclaw-factory/agents --name agents --mask "**/*.md"

# Добавить shared знания
qmd collection add ~/openclaw-factory/shared --name shared --mask "**/*.md"

# Первичная индексация
qmd update

# Создать embeddings (может занять 10-30 мин)
qmd embed

Шаг 3: Embeddings (выбери один вариант)

Вариант A: OpenAI API (рекомендуется для VPS)

• Стоимость: $0.02 за 1M токенов (~бесплатно)
• Стабильный, быстрый, не требует GPU

"memorySearch": {
  "provider": "openai",
  "model": "text-embedding-3-small"
}

Нужен OpenAI API ключ → platform.openai.com/api-keys

Вариант B: Локальные embeddings (без API)

• QMD использует встроенные модели (embeddinggemma-300M)
• Скачиваются автоматически при первом qmd embed
• Медленнее, но бесплатно и без внешних зависимостей

"memory": {
  "backend": "qmd"
}

Вариант C: Ollama (если уже стоит)

# QMD автоматически использует Ollama если доступен
export OLLAMA_URL=http://localhost:11434
qmd embed

Шаг 4: Автообновление индекса

Чтобы память не устаревала — cron:

# Добавить в crontab (обновление каждый день в 4:00)
crontab -e
# Вставить:
0 4 * * * cd ~ && qmd update && qmd embed >> /tmp/qmd-cron.log 2>&1

Или через OpenClaw cron (если уже работает):

{
  "name": "QMD reindex",
  "schedule": { "kind": "cron", "expr": "0 4 * * *" },
  "payload": { "kind": "systemEvent", "text": "Обнови индекс QMD: qmd update && qmd embed" },
  "sessionTarget": "main"
}

Шаг 5: Проверка

# Статус
qmd status

# Тест поиска
qmd search "продуктивность"
qmd query "что работает для Threads"

Должно показать результаты из файлов памяти.

Настройка в конфиге

Memory Search (семантический поиск)

"memorySearch": {
  "enabled": true,
  "sources": ["memory"],
  "provider": "openai",
  "model": "text-embedding-3-small",
  "query": {
    "maxResults": 8,
    "minScore": 0.3
  }
}

Compaction (ОБЯЗАТЕЛЬНО!)

"compaction": {
  "mode": "safeguard",
  "memoryFlush": {
    "enabled": true,
    "softThresholdTokens": 4000,
    "prompt": "SESSION NEARING COMPACTION. Save critical context NOW..."
  }
}

БЕЗ compaction: safeguard:

• Контекст переполняется → агент крашится
• Память не сохраняется → всё потеряно
• ЭТО САМАЯ ЧАСТАЯ ОШИБКА

Антипаттерны (из реального опыта)

❌ "MEMORY.md на 500 строк"

Что было: Агент накопил 500 строк в MEMORY.md. Начал путаться, противоречить себе. Решение: MEMORY.md ≤ 100 строк. Остальное → memory/ папка (дневники).

❌ "Память без embeddings"

Что было: memory/ папка растёт, но агент не может найти нужное. Решение: memorySearch: enabled → семантический поиск по всей memory/ папке.

❌ "Compaction: off"

Что было: Контекст достиг 210k/200k токенов → агент перестал отвечать. Решение: compaction: "safeguard" + memoryFlush → автоматическое сохранение и сжатие.

❌ "Embeddings на стороннем API"

Что было: Voyage AI начал блокировать datacenter IP → память перестала работать. Решение: OpenAI text-embedding-3-small ($0.02/1M токенов) — стабильный, дешёвый.

❌ "Нет learning/ папки"

Что было: Агент повторял одну и ту же ошибку каждую сессию. Фидбэк "не так!" давался 5 раз. Решение: learning/anti-patterns.md → агент читает на старте → не повторяет.

❌ "Memory без структуры"

Что было: Агент писал в память свободным текстом. Через неделю — каша. Решение: Жёсткий формат: [DECISION], [TASK], [CORRECTION]. Одна строка = один факт.

❌ "Забыл сохранить перед compaction"

Что было: Контекст сжался → критичные решения потеряны навсегда. Решение: memoryFlush в compaction → агент СНАЧАЛА сохраняет, ПОТОМ сжимает.

WAL Protocol — Записывай ДО ответа

Идея из Proactive Agent (halthelobster). Адаптирована для контент-фабрики.

Проблема: Агент получает важную инфу ("используй синий, не красный"), отвечает "понял!" — и забывает. Потому что записал ПОСЛЕ или не записал вообще.

Решение: Write-Ahead Logging (WAL)

Триггеры — СКАНИРУЙ КАЖДОЕ СООБЩЕНИЕ:

Протокол:

1. СТОП — не начинай отвечать
2. ЗАПИШИ — в memory/YYYY-MM-DD.md или learning/corrections.md
3. ПОТОМ — отвечай человеку

Неправильно: "Понял, синий!" (кажется очевидным — зачем записывать?) Правильно: Записать [DECISION] Тема: синий (не красный) → потом ответить

Почему работает:

Триггер — ВХОДЯЩЕЕ сообщение, не твоя память. Не нужно "вспоминать что надо записать" — правило срабатывает автоматически на каждую коррекцию/решение.

Working Buffer — Выживание при compaction

Проблема: Между memory flush (85% контекста) и compaction — "зона смерти". Всё что сказано в этом окне может потеряться.

Решение: Файл memory/working-buffer.md — лог КАЖДОГО обмена в зоне смерти.

Как работает:

1. Контекст > 60% → ОЧИСТИТЬ старый буфер, начать новый
2. Каждое сообщение после 60% → записать:
   - Что сказал человек (кратко)
   - Что ответил агент (1-2 строки)
   - Ключевые решения/факты
3. После compaction → ПЕРВЫМ ДЕЛОМ прочитать буфер
4. Извлечь важное → перенести в memory/YYYY-MM-DD.md

Формат буфера:

# Working Buffer
**Status:** ACTIVE
**Started:** 2026-03-05 14:00

---
## 14:05 Human
Давай используем Exa вместо Tavily

## 14:05 Agent
Подтвердил. Exa лучше по бенчмаркам (81% vs 71%).
→ [DECISION] Search API: Exa (не Tavily)

## 14:12 Human
Промпт для brain/ структуры — передай в топик скиллов

После compaction:

1. read memory/working-buffer.md → что было в зоне смерти
2. read MEMORY.md → кто я
3. read memory/YYYY-MM-DD.md → сегодняшние решения
4. memory_search по теме → релевантный контекст
5. НЕ спрашивай "о чём мы говорили?" — буфер это знает

Reverse Prompting — Агент предлагает сам

Проблема: Агент ждёт задачу. Человек не знает что попросить. Время теряется.

Решение: После выполнения задачи агент предлагает ОДНУ конкретную идею.

Когда использовать:

• Задача завершена, есть свободный момент
• Агент видит паттерн/проблему которую человек мог не заметить
• При heartbeat (если не тихие часы)

Формат:

💡 Заметил: [наблюдение]
Предлагаю: [конкретное действие]
Нужно: [что от тебя] / Могу сам

Правила:

• ОДНА идея, не три и не пять
• Конкретная, не абстрактная ("обновить voice-style.md" вместо "улучшить контент")
• Не после 22:00
• Не когда человек занят другим
• Если отвергнуто — записать в learning/ и НЕ предлагать похожее

Startup Protocol (каждая сессия)

Каждый агент при старте ОБЯЗАН:

1. read MEMORY.md → кто я, ключевые решения
2. read learning/anti-patterns.md → чего НЕ делать
3. read learning/corrections.md → правки владельца
4. memory_search по теме первого сообщения → релевантный контекст

Без этого = сессия без памяти = золотая рыбка.

Аудит памяти (чеклист)

Если хоть один пункт ❌ — память не работает полноценно.