В МГУ улучшают память ИИ-ассистентов
Ученые факультета вычислительной математики и кибернетики МГУ предложили новый подход к тому, как системы на основе искусственного интеллекта могут запоминать и использовать информацию при длительном взаимодействии с пользователем.
LLM-модели хорошо решают задачи диалога, но имеют одно ключевое ограничение: отсутствие встроенной долговременной памяти. Модель опирается только на текущий контекст сообщений, и при его обрезании забывает факты, путает детали, теряет согласованность личности. Повышается ее стоимость из-за длины контекста.
В ИИ нет одной универсальной памяти. Есть целый каскад уровней – каждый со своими особенностями, сроком жизни и правилами работы. И эта память – один из основных факторов того насколько «умным» и последовательным будет ваш чат с нейросетью.
Любой, кто вёл долгий диалог с современным чат-ботом, сталкивался с одной и той же проблемой: через несколько десятков сообщений собеседник «забывает» начало разговора, путается в деталях, повторяет вопросы или, наоборот, теряет нить. Причина проста – языковая модель работает в пределах ограниченного контекстного окна, а всё, что выходит за его рамки, для неё не существует. Учёные факультета вычислительной математики и кибернетики МГУ предложили решение, которое может изменить саму логику взаимодействия человека с ИИ.
Не хранить всё, а выбирать нужное
На конференции «Ломоносовские чтения» исследователи представили архитектуру долговременной памяти для ИИ-ассистентов. Ключевая идея: вместо механического накопления всей переписки отдельная подсистема сама решает, что заслуживает сохранения. Она определяет, какие сведения действительно важны, какие следует удалить, какие сократить, снабдить тегами или переформулировать. Перед тем как ассистент формирует ответ, система извлекает релевантные записи, собирает из них компактный контекст и только его передаёт языковой модели. В результате – меньше информационного шума, меньше дублирования, больше согласованности в длинных диалогах.
Речь пока идёт о научно-исследовательской разработке, а не о готовом продукте. Но задача, которую она решает, относится к числу ключевых технологических ограничений современных ИИ-агентов.
Не первое слово, но важный шаг
Российский рынок переживает заметный сдвиг: от экспериментальных чат-ботов компании переходят к полноценным ИИ-ассистентам, встроенным в корпоративные процессы. По данным CNews, в 2026 году агентные системы стали одним из главных направлений развития отечественного ИИ. Среди уже работающих решений – Robin AI, BPMSoft AI, SimpleOne GenAI, Elma Cortex, Sherpa AI. Все они рано или поздно упираются в один и тот же вопрос: как помнить историю взаимодействия с сотрудником, клиентом или процессом, не передавая модели гигабайты переписки при каждом запросе.
Для обычного пользователя это означает перспективу появления ассистента, которому не нужно каждый раз заново объяснять контекст. Для бизнеса – корпоративного помощника, способного работать с месяцами и даже годами накопленными данными без запредельных вычислительных затрат.
Сама идея структурированной долговременной памяти для языковых моделей не нова. В 2023 году международный проект MemGPT (позднее – Letta) предложил разделять ограниченный контекст модели и внешнюю память, которой агент управляет самостоятельно. В 2024-м исследователи представили HippoRAG – подход, вдохновлённый работой человеческого гиппокампа. Тогда же ChatGPT получил функцию Memory, запоминающую предпочтения пользователей, а годом позже Google расширила память Gemini. К 2026-му анализ предыдущих бесед стал доступен и в бесплатной версии Gemini: долговременный контекст превращается в стандартную функцию массовых сервисов.
Параллельно растёт целый класс специализированных решений – Mem0, Letta, Graphiti, – где акцент делается не на хранении, а на отборе, обновлении и удалении устаревших записей. Разработка МГУ концептуально принадлежит именно этому направлению.
Завтрашний день
Экспортировать саму по себе научную архитектуру рано: опубликованная информация описывает подход, а не коммерческую платформу. Однако архитектуры памяти не привязаны ни к языку, ни к отрасли, а значит, потенциально применимы в любых LLM-системах. Если метод пройдёт промышленную апробацию и покажет преимущество на сравнительных тестах, он может стать востребованным компонентом российских корпоративных ассистентов, особенно там, где счёт взаимодействия идёт на месяцы.
