Смотреть урок

Большинство ИИ-агентов не помнят ничего между сессиями. Каждый запуск — с нуля. Supermemory это исправляет.

Что внутри:
🔹 Как устроена память в Supermemory — статические и динамические факты, профиль пользователя
🔹 Чем memory отличается от RAG — и почему в реальных продуктах нужно и то, и другое
🔹 Как написать два инструмента — запись тренировок и чтение профиля — и подключить их к агенту
🔹 Как агент вспоминает данные из прошлой сессии в новом Python-процессе без единой строки передачи состояния

💡 Supermemory берёт на себя встраивание, индексацию, поиск и извлечение фактов — в коде агента этого нет. Один вызов client.profile() возвращает всё, что нужно для персонализированного ответа.

**Supermemory: как дать ИИ долгосрочную память **

Большинство ИИ-агентов начинают каждый запуск с нуля. Они не помнят имя пользователя, прошлый разговор, файл, с которым работали. Всё приходится объяснять заново.

Supermemory решает эту проблему. Это hosted API для долгосрочной памяти агентов: вы передаёте ему факты о пользователе, а при следующем запуске получаете их обратно одним вызовом. Встраивание, индексация и поиск — всё внутри Supermemory. В коде агента это не появляется.

Цифры для ориентира: на бенчмарке LongMemEval, который проверяет, насколько точно система отвечает на вопросы по длинной истории разговора, Supermemory вспоминает правильные факты в 81,6% случаев. Следующий результат — Zep с показателем 71,2%. Разрыв в 10 пунктов — это примерно один дополнительный правильный ответ на каждые 10 вопросов пользователя. Репозиторий на GitHub набрал 22 000+ звёзд.

В этом гайде мы строим личного тренера по упражнениям на Python. Агент логирует тренировки, запоминает историю и предлагает следующую сессию даже после полного перезапуска скрипта. Стек минимальный: Supermemory хранит память, OpenAI Agents SDK запускает агентный цикл, весь проект — два Python-файла и pyproject.toml. Что понадобится: Python 3.10+, аккаунт OpenAI, аккаунт Supermemory, базовое владение командной строкой.

Memory vs RAG: в чём разница
RAG и память решают разные задачи и в реальных продуктах часто работают вместе в одном агенте. Память vs. RAG: откуда берутся данные. RAG извлекает данные из фиксированного индекса. Память накапливается из разговоров с пользователем.

RAG:

-Загружается один раз.

-Индекс документов.

-Разработчик.

-Извлекает фрагменты.

-Пользователь.

-Фиксируется во время деплоя.

Память:
RAG — это то, что знает ваш продукт. Память — это тот, кто ваш пользователь.

-Факты накапливаются.

-Возвращает.

-Контекст, специфичный.

-Для пользователя.

RAG указывает на корпус документов, который разработчик подготавливает заранее: руководства по продукту, статьи поддержки, внутренняя документация. Корпус загружается при деплое, запрашивается в…