Принципы долгосрочной памяти ИИ-агентов в разработке: изоляция проектов, запись решений, хуки и сравнение MemContinuum с Hindsight.
Собрано в Sveska из открытых обсуждений сообщества. Авторы сообщений не указываются.
Обновлено
Долгосрочная память помогает агентам не терять причины прошлых решений, не повторять закрытые вопросы и не создавать дублирующий код. Для проекта рекомендуют отдельно хранить память, фиксировать значимые решения и доставлять нужный контекст через хуки.
На длинных и сложных проектах разработчик и модель могут забыть, почему было принято то или иное решение. Субагенты без контекста предыдущей работы способны повторно решать уже решённые задачи, переизобретать код, создавать фрагментацию и рассинхрон.
В память предлагают включать:
Одних инструкций может быть недостаточно: без системы памяти агенты склонны дублировать и фрагментировать код.
Для одного разработчика с несколькими проектами рекомендуют физически отделять память каждого проекта: использовать отдельный репозиторий, а не только теги. Тег можно забыть применить, тогда как физическое разделение не даёт чужим знаниям попасть в контекст другого проекта.
Для команды может быть предпочтительнее общий банк знаний.
В модерируемой схеме записи должен делать один ИИ-оркестратор, а остальные агенты — только предлагать записи. Обязательной должна быть не сама запись, а инструкция принять решение: нужно ли её делать.
В память стоит заносить только значимые положительные и отрицательные решения и ситуации, связанные с разработкой. Хуки должны принудительно добавлять в нужные промпты инструкции по чтению и записи памяти.
MemContinuum описан как локальная система долгосрочной памяти для проектов разработки. Она хранит каталогизированный код, цепочки принятия решений и важные события, а контекст доставляет агентам через хуки.
Данные каждого проекта хранятся в отдельном репозитории SQLite рядом с Git. По сообщениям за сентябрь 2026, для работы не нужен отдельный VPS или внешний сервис памяти.
Памятью управляет тот же ИИ, который уже используется в основной подписке: отдельная модель для раскладывания записей по категориям не требуется.
Обе системы могут собирать память проекта из Git и разговоров, поддерживать архитектурные страницы и автоматически доставлять контекст агенту.
owner-verbatim.По личному впечатлению участника, который раньше использовал Honcho и затем перешёл на Hindsight, Hindsight работал лучше. Важно: это сравнение было проведено давно, поэтому оно не является актуальной оценкой систем на сентябрь 2026.
Для оценки можно собрать eval-harness: зафиксировать baseline текущего кода и сравнить работу без памяти, с базовым поиском и с похожими системами. Это позволяет проверить, даёт ли память реальное улучшение.
Для памяти ассистента также рекомендовали Honcho. По сообщению от 19 сентября 2026, у него заявлен бесплатный лимит $20 без привязки карты. Для бытовых задач автор рекомендации считал тариф Pro более чем достаточным.
Статья собрана по сообщениям за 7–23 сентября 2026 года.