В этом вебинаре я разбираю фундаментальную проблему ИИ-агентов — отсутствие долгосрочной рабочей памяти, из-за чего нам приходится каждый раз заново объяснять им контекст текущей задачи. Мой ключевой посыл заключается в том, что обычная история чатов или поиск по документам не работают как полноценная память; нужен промежуточный слой отбора и структурирования знаний, такой как G-Brain. Этот материал будет полезен разработчикам и всем, кто активно интегрирует нейросети в свои рабочие процессы и хочет превратить их из вечных новичков в опытных ассистентов, помнящих все прошлые ошибки и договоренности.
0:00–4:09 Проблема контекста: почему умные модели мыслят короткими эпизодами и забывают детали проектов. 4:09–7:13 Виды памяти нейросетей: от общих базовых знаний и временного контекстного окна до проверяемой рабочей памяти. 7:14–11:20 Цикл Dreams: как мы фильтруем сырой поток рабочей информации и отбираем знания для будущих задач. 11:20–14:30 Архитектура G-Brain: использование Markdown-файлов как источника правды и протокола MCP для прямой связи с агентом. 14:33–18:16 Категоризация памяти: зачем разделять базу знаний на людей, проекты, принятые решения и прошлые ошибки. 18:17–24:22 Сценарии применения: использование памяти в…
🔒
Этот материал доступен участникам Клуба. Войдите или оформите доступ,
чтобы читать целиком, открывать видео и комментировать.