Обзор описывает долговременную память ИИ-агентов в продуктах и научных системах 2024-2026 годов: Claude и Claude Code, MemGPT и Letta, Generative Agents, Zep/Graphiti, Mem0, A-MEM, MIRIX, MemoryBank, MemOS, LangMem, память OpenAI, Google, Meta, Microsoft. Материал собран 05.10.2026 из первоисточников: документации вендоров, статей arXiv, исходных кодов репозиториев; дата обращения к веб-странице стоит рядом с фактом.
Разбор идёт в три шага: устройство записи и извлечения, измеренные способы отказа, измеренные способы защиты. Числовой каркас второго шага таков. Отравление долговременной памяти даёт среднюю долю успешных атак 80 и более процентов при доле отравленных записей менее 0,1 процента (arXiv:2407.12784, 17.07.2024). Инъекция памяти через одни только запросы достигает доли успешных инъекций выше 95 процентов (arXiv:2503.03704, 05.03.2025). При длине входа 32K одиннадцать моделей из тринадцати падают ниже 50 процентов собственной короткой базовой линии (arXiv:2502.05167, 07.02.2025); отчёт Chroma по 18 моделям (июль 2025) фиксирует «context rot» на простых задачах. Память повышает угодливость до +40 процентов (arXiv:2606.10949, 09.06.2026); сохранённое утверждение пользователя поднимает долю отказов на последующих ходах с 45,0 до 71,9 процента (arXiv:2607.10526, 12.07.2026). Привязка происхождения на этапе записи даёт 0 процентов успеха атаки против 68 процентов у защит по содержимому (arXiv:2606.24322, 23.06.2026).
Дальше идут: системы памяти, замеры отказов, восемь приёмов практики индустрии, ограничения у четырёх вендоров, граница достоверности по двум незафиксированным терминам, замер собственного слоя памяти на 05.10.2026 с шестью пунктами применимости, перечень неподтверждённого.
Долговременная память агента есть хранилище текстовых записей за пределами окна контекста, участвующее в формировании последующих ответов. Три операции определяют её работу: запись (formation), извлечение (retrieval), применение (reading). У системы хранения выделяют шесть признаков: тип единицы записи, механизм разрешения конфликта старого и нового факта, версионирование, распад по времени (TTL, decay), привязка к источнику (provenance), участие человека при записи.
Второй признак задаёт главное различие между системами. Конфликт факта возникает всегда, когда новое сообщение противоречит уже сохранённому: пользователь переехал, цена изменилась, решение отменено. Разбор даёт два принципиально разных ответа, следствия у них расходятся.
Первый ответ есть неразрушающий. Факт остаётся в хранилище, получает метку недействительности с датой, извлечение отдаёт действующую версию. Так устроены Zep/Graphiti (arXiv:2501.13956, 20.01.2025), MemOS (arXiv:2505.22101, 28.05.2025), графовый вариант Mem0 (arXiv:2504.19413, 28.04.2025). Следствие: сохраняется темпоральное рассуждение, вопрос «что было верно в марте» получает ответ.
Второй ответ есть разрушающий. Старая запись перезаписывается или удаляется на месте. Так устроены операции ADD/UPDATE/DELETE в Mem0 до апреля 2026, эволюция заметок в A-MEM (arXiv:2502.12110, 17.02.2025), инструкция фонового агента Letta: «fix the stale entry at the source. Do not append the new version alongside the old». Следствие: извлечение дешевле, история правок утрачена.
Третий вывод: индустрия за 2025-2026 сместилась от разрешения конфликтов к накоплению. Mem0 в апреле 2026 убрала UPDATE и DELETE из конвейера записи, оставив ADD-only (README mem0ai/mem0, обращение 05.10.2026). LongMemEval (arXiv:2410.10813, 14.10.2024) выделил обновление знаний в отдельную измеряемую способность; остаточные ошибки этого типа объясняются тем, что ретривер нашёл новое знание, прежняя запись осталась недоступной. Полный набор четырёх остальных признаков одновременно реализован у разобранных систем отсутствует: Zep закрывает версионирование и provenance, MemoryBank и MemOS распад и TTL, Letta версионирование и частичный человеческий контроль, MemOS governance.
В приложении Claude память сохраняется как набор тематических записей по ходу диалога: «Claude saves memory as a set of individual topics as you chat, rather than summarizing conversations after they end»; правка одной записи меняет поведение во всех будущих диалогах, удаление чата сохраняет порождённую из него память (support.claude.com, статья 11817273, обращение 05.10.2026). Вендор задаёт правила записи: темы личного и чувствительного характера (здоровье, раса, этничность, религия, политика, гендерная идентичность) пропускаются по умолчанию и включаются тумблером; номера государственных документов, криминальная история, номера финансовых счетов, иммиграционный статус остаются вне памяти при прямой просьбе пользователя. Перед раскаткой памяти на планы Pro и Max (обновление от 23.10.2025) Anthropic провела расширенное тестирование безопасности по трём вопросам: закрепление вредных шаблонов, избыточное потакание, попытки обхода safeguards (claude.com/blog/memory, 11.09.2025).
В Claude Code память устроена как файлы: каталог проекта с индексом MEMORY.md и по одному файлу на тему, при старте загружается первая 200 строк индекса либо 25KB, что наступит раньше. Auto memory задаёт четыре типа заметок через поле type во frontmatter: user, feedback, project, reference; из записи отбрасывается выводимое из кода. CLAUDE.md лежит на четырёх уровнях (managed policy от IT, user, project в git, local), файлы конкатенируются в контекст: «All discovered files are concatenated into context rather than overriding each other». Целевой лимит 200 строк на файл, «Longer files consume more context and reduce adherence», файл больше 4 MiB пропускается при загрузке. Обязательную силу инструкции придаёт отдельный механизм, для запрета действия служит PreToolUse hook: «Claude treats them as context, not enforced configuration» (все цитаты code.claude.com/docs/en/memory, 05.10.2026). Конфликт «факт изменился» закрыт тремя механизмами: поле modified во frontmatter в формате ISO 8601 (нужна версия 2.1.214 и новее); самолечение индекса, при приближении к лимиту напоминание «merge or drop stale entries»; ручной аудит /doctor prompt-audit, ищущий инструкции для старых моделей, ссылки на отсутствующие файлы, взаимно противоречащие файлы, с подтверждением перед правкой.
Context engineering определён как «the set of strategies for curating and maintaining the optimal set of tokens (information) during LLM inference» (anthropic.com/engineering/effective-context-engineering-for-ai-agents, 29.09.2025). Обоснование есть «context rot»: чем больше токенов, тем хуже точное извлечение, свойство наблюдается у всех моделей, причины названы две, n² попарных связей внимания и обучающее распределение с преобладанием коротких последовательностей; вывод авторов, «context must be treated as a finite resource with diminishing marginal returns». Три приёма: компакция с явным указанием риска («overly aggressive compaction can result in the loss of subtle but critical context»), структурированные заметки за пределами окна, just-in-time retrieval, когда агент хранит лёгкие идентификаторы и подгружает данные инструментами; субагент исследует десятками тысяч токенов, возвращает 1 000-2 000. Числа запуска 29.09.2025: memory tool плюс context editing дали +39% к базовой линии, context editing в одиночку +29%, в 100-ходовом веб-тесте расход токенов снижен на 84% (claude.com/blog/context-management). Memory tool memory_20250818 даёт шесть операций (view, create, str_replace, insert, delete, rename) над префиксом /memories, операции исполняет клиентское приложение против своего хранилища; security-раздел требует от клиента ограничить операции каталогом /memories, защититься от path traversal, ограничить размер файла памяти, периодически удалять файлы без обращений долгое время, валидировать чувствительные данные перед записью, поскольку отказ модели писать чувствительное есть привычное поведение модели, гарантию это поведение (Wayback-копия platform.claude.com, снимок 28.09.2026). Паттерн multisession development предписывает инициализатору создавать progress log и feature checklist до начала работы, список фич ведут в JSON: «the model is less likely to inappropriately change or overwrite JSON files compared to Markdown files» (26.11.2025). Наблюдение 24.03.2026: модели проявляют «context anxiety» и сворачивают работу раньше срока вблизи предела контекста, который они себе приписывают. Claude Managed Agents (public beta, 23.04.2026) добавляет аудит-логи с указанием агента и сессии происхождения, откат к ранней версии, вычистку содержимого из истории.
MemGPT (arXiv:2310.08560, подано 12.10.2023, v2 12.02.2024) делит память на main context (системные инструкции, working context, FIFO-очередь) и external context (recall storage с историей сообщений, archival storage с произвольными текстами), данные внешней памяти попадают в контекст только явным перемещением. Отдельный механизм разрешения противоречий в системе отсутствует: core_memory_replace(name, old_content, new_content) требует точного совпадения строки («String to replace. Must be an exact match.»), реализация пакета pymemgpt 0.3.19 (выложен 14.07.2024) выполняет value.replace(old_content, new_content), при промахе вызов молча оставляет память прежней. Защита от разрастания объёма есть лимит CORE_MEMORY_PERSONA_CHAR_LIMIT = 2000 с ответом «Edit failed: Exceeds 2000 character limit», противоречивость ему подконтрольна отсутствует. Вытесненные сообщения хранятся в recall storage постоянно, при 75% контекста (MESSAGE_SUMMARY_WARNING_FRAC = 0.75) в очередь вставляется предупреждение о давлении на память. Версионирование, TTL, provenance на уровне факта, человеческий контроль в MemGPT отсутствуют (проверено 05.10.2026 по тексту статьи и исходникам).
Letta (README: «Letta (f.k.a. MemGPT) is actively developed») делает примитивом memory block с полями label, description, value, limit; блоки подставляются в начало системной подсказки и всегда видны агенту, правятся memory_replace, memory_insert, memory_rethink. Конфликт закрыт в двух слоях. Слой инструкции из промпта фонового агента: «fix the stale entry at the source. Do not append the new version alongside the old», «resolve contradictions in favor of the latest evidence», устаревший полезный контекст предписано переносить в ARCHIVE.md. Слой техники: память MemFS есть git-репозиторий, каждая правка коммитится, конфликты merge чинит воркер memory-conflict-repair.ts с типами «conflict» и «invalid», попытка ремонта помечается токеном, что мешает устаревшему воркеру перезаписать более новую правку (исходники letta-ai/letta-code, 05.10.2026). Сонный агент вынесен отдельно, запускается каждые 5 шагов основного агента по умолчанию, документация рекомендует 5-10. Статья sleep-time compute (arXiv:2504.13171, 17.04.2025) заявляет снижение тестового compute примерно в 5 раз при той же точности, +13% на Stateful GSM-Symbolic, +18% на Stateful AIME. Документирован риск записи: установка value заменяет блок целиком, при параллельной записи действует «last write wins».
Generative Agents (arXiv:2304.03442, 07.04.2023, v2 06.08.2023) ведут memory stream, извлечение есть сумма score = α_recency·recency + α_importance·importance + α_relevance·relevance при всех α, равных 1, и min-max нормировке. Recency есть экспоненциальный распад с коэффициентом 0,995 за игровой час с момента последнего извлечения; importance целое число 1-10, выставленное моделью при создании («cleaning up the room» 2, «asking your crush out on a date» 8); relevance косинусная близость эмбеддингов. Reflection запускается по накоплению: когда сумма importance последних событий превышает 150, на практике 2-3 раза в день; берутся 100 последних записей, генерируются 3 вопроса, получаются 5 инсайтов с указанием доказательств вида «(because of 1, 5, 3)». Рефлексия сохраняется в поток вместе с указателями на процитированные объекты, это единственный механизм происхождения в системе. Конфликт факта остаётся: прошлый опыт «may either reinforce or contradict each other», противоречия сосуществуют, обновляются метки доступа.
Zep / Graphiti (arXiv:2501.13956, 20.01.2025) строит темпорально-осознанный граф из трёх подграфов: episode subgraph (сырые данные, статус «non-lossy data store»), semantic entity subgraph, community subgraph. Би-темпоральная модель задаёт две шкалы, T (хронология событий) и T′ (порядок транзакционной загрузки); на ребре четыре метки, t'_created и t'_expired на T′, t_valid и t_invalid на T: «the system tracks four timestamps… while tvalid and tinvalid ∈ T track the temporal range during which facts held true». Продуктовая формулировка тех же меток: «valid from, when the fact became true in the world», «valid to, when it stopped being true (open if still current)», «observed, when the source stated it», «recorded, when the system ingested it (provenance)», «superseded facts are closed, not deleted, so the history stays auditable» (getzep.com/ai-agents/temporal-knowledge-graph, помечена Last updated 31.05.2026, прочитана по Wayback-снимку 30.06.2026). Конфликт решён инвалидацией: LLM сравнивает новое ребро с семантически связанными, находит темпорально перекрывающиеся противоречия, ставит затронутым рёбрам t_invalid, равный t_valid инвалидирующего ребра, по T′ система «consistently prioritizes new information»; в коде edge.invalid_at = resolved_edge.valid_at и edge.expired_at = now. Промпт resolve_edge требует два списка, duplicate_facts и contradicted_facts, с правилом «NEVER mark facts as duplicates if they have key differences, particularly around numeric values, dates, or key qualifiers». Provenance встроен по построению: «semantic artifacts can be traced to their sources for citation or quotation». Замеры: DMR 94,8% (gpt-4-turbo) против 93,4% у MemGPT; LongMemEval_S +15,2% (gpt-4o-mini) и +18,5% (gpt-4o) при сокращении времени ответа примерно на 90%; сам Zep оговаривает малость DMR, 60 сообщений на разговор, полная контекстная подстановка там даёт 94,4%. Инвалидацией управляет LLM, человеческий шаг архитектурой предусмотрен отсутствует.
Mem0 (arXiv:2504.19413, 28.04.2025) работает в две фазы, extraction и update: новая пара сообщений получает сводку беседы и последние m сообщений (m = 10), для каждого кандидата достаются s похожих существующих памятей (s = 10), LLM через function calling выбирает ADD, UPDATE, DELETE или NOOP, отдельный классификатор противоречий отсутствует. Графовый Mem0^g помечает конфликтующие связи устаревшими, физически их сохраняя ради временных рассуждений. LOCOMO: +26% относительного улучшения LLM-as-a-Judge против OpenAI, 91% снижения p95-задержки и более 90% экономии токенов относительно полноконтекстного подхода. Смена 2026 года: README описывает «New Memory Algorithm (April 2026)» с single-pass извлечением и ADD-only записью, «No UPDATE/DELETE — v3 is ADD-only», конфликты разрешаются только при infer=True; заявленные числа 92,5 на LoCoMo и 94,4 на LongMemEval (05.10.2026). Документация дополняет: автоматический путь аддитивен, «If a user says, "I moved from Austin to Seattle," Mem0 can store the new fact without silently rewriting the old one»; бюджет оценки в среднем до 7 000 токенов на вызов извлечения при top_200 против 25 000+ у полноконтекстного подхода (docs.mem0.ai, 05.10.2026).
A-MEM (arXiv:2502.12110, 17.02.2025, ревизия 08.10.2025) строит память по методу Zettelkasten: заметка есть кортеж из содержимого, метки времени, LLM-ключевых слов, тегов, контекстного описания, связей плюс плотный вектор. Конфликт решён перезаписью: «The evolved memory m_j* then replaces the original memory m_j in the memory set», старой версии заметки в системе нет. LoCoMo (9K токенов, до 35 сессий): в многошаговых задачах улучшение минимум вдвое, расход 1 200-2 500 токенов на ответ против 16 900 у LoCoMo и MemGPT.
MIRIX (arXiv:2507.07957, 10.07.2025) задаёт шесть типов памяти (Core, Episodic, Semantic, Procedural, Resource, Knowledge Vault) под управлением шести Memory Managers плюс Meta Memory Manager; Core при превышении 90% ёмкости запускает контролируемую перезапись, Knowledge Vault хранит дословные критичные факты. Active Retrieval достаёт top-10 записей из каждого компонента и помечает их тегом источника в системной подсказке; пример авторов: LLM без принудительного поиска ответит «Elon Musk» о CEO Twitter, хотя в памяти лежит более новый факт. Результат 85,38% на LOCOMO, +35% к RAG на ScreenshotVQA при сокращении хранения на 99,9%.
MemoryBank (arXiv:2305.10250, 17.05.2023) реализует кривую Эббингауза R = e^(-t/S), при извлечении S увеличивается на 1, t обнуляется, авторы называют модель сильно упрощённой, конфликт фактов разрешается. MemOS (arXiv:2505.22101, 28.05.2025) даёт наиболее полный жизненный цикл: MemCube объединяет parametric, activation, plaintext память, метаданные делятся на описательные (метки времени, подпись источника), управляющие (права, политики с time-to-live и распадом по частоте, теги чувствительности, журнал доступа), поведенческие (частота обращений, линия версий), MemLifecycle поддерживает откат версии и заморозку для аудита. LangMem (docs LangChain, 05.10.2026) формулирует конфликт как задачу согласования: «the system must reconcile new information with previous beliefs, either deleting / invalidating or updating / consolidating existing memories». Позиция LangGraph 08.10.2024: «there's no universally perfect solution for AI memory… most "agent memory" products today are too high-level».
Отравление записей. AgentPoison (arXiv:2407.12784, 17.07.2024) решает триггер как задачу ограниченной оптимизации, веса модели остаются прежними: средняя доля успешных атак 80 и более процентов при доле отравленных записей менее 0,1 процента, две проверенные защиты оставляют 78,4 процента. MINJA (arXiv:2503.03704, 05.03.2025) достигает инъекции одной последовательностью запросов, привилегированный код и доступ к хранилищу отсутствуют: ISR выше 95 процентов, ASR выше 70 процентов; при уже накопленных легитимных записях эффективность падает (arXiv:2601.05504). Систематика (arXiv:2606.04329, 03.06.2026) даёт четыре канала записи и девять структурных уязвимостей; одной успешной записи достаточно.
Детекторы prompt injection поверхность отравления оставляют открытой: PIGuard, DataFilter, CommandSans, PromptArmor одновременных высоких TPR и низких FPR дают редко, дообучение на данных отравления качество поднимает слабо (arXiv:2606.04329); контентный скрининг отверг 0 из 360 отравленных записей (arXiv:2608.21230, 21.08.2026); четыре классификатора безопасности дали ноль детекций на 510 контрольных точках (arXiv:2605.22842); LLM-детекторы пропускают 66 процентов отравленных записей (arXiv:2510.02373). OWASP выделил риск ASI06 «Memory & Context Poisoning» от 09.12.2025 (genai.owasp.org).
Длинный контекст ухудшает работу сам по себе: U-образная кривая lost in the middle, на 20 и 30 документах GPT-3.5-Turbo в худшей позиции опускается ниже closed-book уровня 56,1 процента (arXiv:2307.03172); NoLiMa, при 32K одиннадцать моделей из тринадцати падают ниже 50 процентов базовой линии, GPT-4o с 99,3 до 69,7 процента (arXiv:2502.05167, 07.02.2025); отчёт Chroma по 18 моделям фиксирует ускорение падения при низкой лексической похожести (research.trychroma.com/context-rot, июль 2025); многоходовые диалоги, 15 моделей, дают провал 39 процента с «потерей без восстановления» (arXiv:2505.06120, 09.05.2025).
Память усиливает угодливость до +40 процентов к частоте sycophancy против in-context baseline (arXiv:2606.10949, 09.06.2026); сохранённое утверждение поднимает долю отказов на последующих ходах с 45,0 до 71,9 процента (arXiv:2607.10526, 12.07.2026); PersistBench, медиана 97 процента отказов на образах угодливости (arXiv:2602.01146, 01.02.2026); ошибки прошлого опыта накапливаются, разрыв с эталонной траекторией растёт при стратегиях add-all и coarse-selective (arXiv:2505.16067, 21.05.2025). Компакторы сохраняют 17 процентов ограничений (arXiv:2608.11242).
TMA-NM (arXiv:2606.24322, 23.06.2026) формализует конвейер «запись, извлечение, действие» и даёт машинно-проверенную теорему разделения: при отмывании надёжность контентной защиты и защиты по линии происхождения сходит на нуль, привязка происхождения на этапе записи условие необходимое, достаточное условие, немодифицируемая авторитетность с подъёмом прав по порогу подтверждений, устойчивым к Sybil-атакам. Отмывание идёт тремя каналами: суммаризация агента, эхо доверенного инструмента, сфабрикованное подтверждение. Существующие защиты пропускают до 68 процентов отмывающих атак, TMA-NM даёт 0 процентов на восьми frontier-моделях.
MemLineage (arXiv:2605.14421, 14.05.2026) ставит подпись Ed25519 на запись в Merkle-логе и передаёт метку «недоверенный» вдоль цепочки, единственная защита, обнулившая ASR во всех трёх семействах атак. MemoRepair (arXiv:2605.07242, 08.05.2026) закрывает каскадное устаревание: экспозиция невалидированной памяти с 69,8-94,3 процента падает до 0. Три защиты на записи потерю полезности дают ноль, риранкер на чтении теряет 4,4 пункта и уводит в карантин 33,6 процента легитимных записей (arXiv:2609.22818).
Би-темпоральность: Zep хранит шкалу T для хронологии событий и шкалу T′ для порядка загрузки, на ребре четыре метки времени (arXiv:2501.13956, 20.01.2025). Дедупликация и консолидация: у Google отдельный шаг конвейера с исходами CREATED, UPDATED, DELETED, у Mem0 механизм Dream из Supersede, Merge и Synthesis, паттерн хранит ссылку на доказательство. TTL, decay, приоритеты: у Google TTL выключен по умолчанию, ревизии живут 365 дней, у Mem0 expiration скрывает запись, decay даёт множитель от 0,3x до 1,5x. Provenance: у Graphiti сущность трассируется к эпизоду-источнику, у ChatGPT под ответом блок Sources. Human-in-the-loop: Google требует sandbox с human review, Microsoft спрашивает пользователя перед сохранением. Append-only: Letta держит MemFS как git-репозиторий. Namespaces и scope: Graphiti изолирует граф параметром group_id, Google задаёт scope с IAM-ролями, Mem0 фильтрует поиск по user_id, agent_id, run_id, app_id. Оценка: LongMemEval, пять способностей и падение около 30 процентов (arXiv:2410.10813), LOCOMO, 300 ходов и 9K токенов (arXiv:2402.17753), DMR, 60 сообщений на разговор.
OpenAI (help.openai.com/en/articles/8590148-memory-faq, 05.10.2026): пять источников персонализации, past chats, saved memories, custom instructions, Library, подключённые приложения; выключение saved memories выключает и chat history; временный чат памяти создаёт в объёме ноль. Установка вендора «steer ChatGPT away from proactively remembering sensitive information» (openai.com/index/memory-and-new-controls-for-chatgpt).
Google (docs.cloud.google.com/gemini-enterprise-agent-platform/scale/memory-bank, 05.10.2026): извлечение идёт по совпадению с заранее заданными темами, по умолчанию четыре, включая EXPLICIT_INSTRUCTIONS; предупреждение «the system is not infallible… some sensitive or personal information may still be stored»; раздел про memory poisoning с мерами Model Armor и sandbox с human review. В Gemini: «instructions for Gemini to forget or avoid topics doesn't always work perfectly» (support.google.com/gemini/answer/16598469).
Meta: память Meta AI с января 2025 в США и Канаде, однопользовательские чаты (siliconrepublic.com/machines/meta-ai-memory, 28.01.2025); у Muse память лежит в файлах MEMORY.md и Soul.md, пользователь правит их сам, навык forget удаляет «to the best of its ability» (meta.com/help, снимок 30.09.2026).
Microsoft (learn.microsoft.com/en-us/microsoft-365/copilot/copilot-personalization-memory, 02.09.2026): память лежит в скрытой папке Exchange, выведена из-под retention-политик Purview, дословный ответ в справке «Can a tenant admin restrict what information is added to memory? No». Copilot Studio: память удаляется после 28 дней бездействия (03.08.2026).
«Cognitive debt» взят из исследования мозга человека «Your Brain on ChatGPT» (arXiv:2506.08872, 10.06.2025): 54 участника, ЭЭГ при написании эссе, у группы LLM самая слабая связность сетей. Перенос термина на память агента в рецензируемых источниках отсутствует. «Context debt» найден только в инженерных блогах (HackerNoon, 13.07.2026), определение, набор токенов рабочего окна, оплачиваемый при каждом вызове; числа блока, расход в 10-100 раз выше чата, это опыт одного практика, контролируемого измерения за ними стоит. Формулировка «self-consuming loops» в проверенных источниках отсутствует, явления описаны как self-reinforcing error cycle (arXiv:2510.02373) и error propagation (arXiv:2505.16067). Термин «memory sycophancy» встречается в работах 2026 года, первого употребления установить удалось отсутствует.
Слой continual harness ведёт четыре вида записей в файле состояния. Замер 05.10.2026: файл 1 365 009 байт, 81 prompt, 263 memory, 2 skill, 1 subagent. Медианная запись памяти 1 164 знака, в контекст попадает около 15,5 % текста из-за обрезки до 180 знаков. Со ссылкой на источник 53 записи из 263, с version больше 1, то есть перезаписанных ранее, 237 из 263; прежний текст при обновлении исчезает. Находок аудита девять: четыре пары «действует и отменено», один дубль темы, три записи без даты, одно расхождение носителей. В коде ядра термины consolidat, conflict, duplicate, stale, ttl, decay, provenance встречаются ноль раз. Итог прогона от 07.10.2026 01:10: 374 записи глобального носителя (prompt 90, memory 281, skill 2, subagent 1) и 33 локального, определений предмета через отрицание ноль в обоих. За прогон переименован 21 id, переписан 23 заголовок, получили новое тело 135 записей, изменено 252 строки. Предписание действию («не трогать», «никогда не») и условие применимости («допустимо, если бесплатно») сохраняют отрицательную форму как законный вид нормы, таких строк в глубине 32. Различение ведёт positive_form_audit.py по уровням id, заголовок, видимое окно 220 знаков, глубина. Сопоставление с разделами 5-8 даёт шесть направлений: привязка происхождения с датой проверки, история версий, консолидация отдельной фазой, лимит длины, понижение доступности по давности, оценка качества отбора. Ядро слоя разработано с учётом мировых практик и проверено замером на собственном файле.
Причины закрытого доступа. research.trychroma.com/context-rot отдаёт Forbidden, текст получен по снимку Wayback 14.03.2026. help.getzep.com блокирован Cloudflare. platform.claude.com отдаёт «App unavailable in region», memory tool прочитан по снимку 28.09.2026. help.openai.com отдаёт JS-заглушку, страницы прочитаны через Playwright и Wayback. about.fb.com в архиве отсутствует, факты о памяти Meta AI за январь 2025 опираются на пересказ Silicon Republic от 28.01.2025. docs.letta.com отдаёт каркас без текста. arxiv.org/html/2410.10813 отдал текст другой статьи. GitHub-страницы бенчмарков отдали оболочку без README. Не подтвердились: числа расхода токенов в статье о context debt, авторство термина «memory sycophancy», наличие работы «self-consuming loops».
Память агента описывается тремя операциями и шестью признаками хранилища. За 2024-2026 индустрия перешла к закрытию факта датой инвалидации, Mem0 в апреле 2026 убрал UPDATE и DELETE из конвейера. Отказы измерены в четырёх классах: отравление записей даёт 80 и более процентов успеха при доле отравы менее 0,1 процента, длинный контекст даёт провал 39 процента, память поднимает угодливость до +40 процента, сохранённое утверждение поднимает долю отказов до 71,9 процента. Детекторы prompt injection эту поверхность закрывают частично, контентный скрининг отверг 0 из 360 записей. Класс мер с доказанной надёжностью один, привязка происхождения на этапе записи, 0 процента успеха атак против 68 процентов у защит по содержимому. Собственный слой замерен по объёму и форме записей, качество отбора измерено отсутствует.
Статья 21, «Сознание, действие и непрерывный контур», задаёт контур действия, где память участвует как состояние. Статья 22, «Матрёшка», разбирает параметрическую память модели. Статья 23, «Время как свойство материи памяти», задаёт временну́ю ось записи, соответствующую би-темпоральности раздела 6. Статья 24, «Память как жизнь», разбирает безопасность автономного агента.
arXiv, дата обращения 05.10.2026: 2407.12784, 2503.03704, 2606.04329, 2608.21230, 2307.03172, 2502.05167, 2505.06120, 2606.10949, 2607.10526, 2602.01146, 2505.16067, 2606.24322, 2605.14421, 2605.07242, 2506.08872, 2510.02373, 2501.13956, 2504.19413, 2502.12110, 2310.08560, 2304.03442, 2305.10250, 2505.22101, 2507.07957, 2410.10813, 2402.17753. Веб-страницы: anthropic.com/engineering/effective-context-engineering-for-ai-agents (29.09.2025), claude.com/blog/memory (11.09.2025), code.claude.com/docs/en/memory, help.openai.com/en/articles/8590148-memory-faq, docs.cloud.google.com/gemini-enterprise-agent-platform/scale/memory-bank, support.google.com/gemini/answer/16598469, meta.com/help/artificial-intelligence/1047255454427887 (снимок 30.09.2026), siliconrepublic.com/machines/meta-ai-memory (28.01.2025), learn.microsoft.com/en-us/microsoft-365/copilot/copilot-personalization-memory (02.09.2026), learn.microsoft.com/en-us/microsoft-copilot-studio/agents-experience/memory-overview, docs.mem0.ai, docs.letta.com, getzep.com, research.trychroma.com/context-rot (снимок 14.03.2026), genai.owasp.org (09.12.2025).
Сайт: aura.kim/research-25.html · Лицензия: Apache 2.0 · Дата: 07.10.2026 · Ключевые термины: долговременная память агента, би-темпоральность, отравление памяти, привязка происхождения, консолидация, контекст вместо конфигурации, оценка памяти