reymer.ai
Новости
/
Данные
/
Инструменты
/
Знания
reymer.ai

Медиапортал об автономном бизнесе, AI-трансформации и автономизации.

hello@reymer.ai

Новости

  • Все новости
  • AI-дайджесты

Инструменты

  • Каталог
  • Коллекции
  • Сравнения
  • Промпты
  • Поиск для агентов

Данные

  • AI-рынки
  • Value Chain
  • Цены API
  • Калькулятор
  • AI Intelligence: инсайдеры и фонды

Знания

  • Вся база знаний
  • Карта профессий и AI
  • AI-агенты для бизнеса
  • AI для профессий
  • Gartner MQ анализы
  • Оценка автономизации
  • Глоссарий
  • Кейсы внедрения ИИ
  • FAQ

Справочники

  • Автономный бизнес
  • Claude Code Tips
  • Вайб-кодинг
  • MCP Protocol
  • AI-кодинг агенты
  • Agent Frameworks
  • Deep Thinking Prompts
  • Гид по AI-агентам
  • OpenClaw vs NanoClaw
  • Конституция Claude

Курсы

  • Все курсы
  • Основы AI
  • Промпт-инжиниринг
  • Claude 101
  • Claude Code
  • Claude Agent Skills
  • Perplexity Pro 101
  • OpenClaw 101
  • NanoClaw 101
  • PicoClaw 101

© 2026 reymer.ai · СТАТУС СИСТЕМЫ: РАБОТАЕТ

О проектеПолитика конфиденциальности
NousResearch Hermes - Погружение в AI-агента

Открытый AI - другой путь

  • Зачем нужен открытый AI10 мин
  • NousResearch - лаборатория без стен12 мин
  • Эволюция Hermes - от 7B до агента13 мин

От чата к агенту

  • Чат vs агент - в чем разница12 мин
  • Анатомия AI-агента15 мин
  • Рынок AI-агентов в 202613 мин

Hermes Agent - знакомство

  • Что такое Hermes Agent10 мин
  • Hermes vs OpenClaw - два подхода15 мин
  • Установка Hermes Agent15 мин
  • Первая сессия10 мин

Инструменты и интеграции

  • 50 встроенных инструментов14 мин
  • Мессенджер-адаптеры14 мин
  • MCP-клиент и внешние серверы12 мин

Память и самоулучшение

  • Система памяти Hermes14 мин
  • Цикл самоулучшения14 мин
  • Создание кастомных навыков12 мин

Рассуждение и планирование

  • XML-теги рассуждения14 мин
  • Гибридное рассуждение Hermes 413 мин
  • Планирование сложных задач13 мин

Практические сценарии

  • Автоматизация повседневных задач13 мин
  • Hermes для разработки13 мин
  • Мультиагентные системы12 мин
  • Безопасность и ответственное использование12 мин

Мастерство и будущее

  • Экономика AI-агентов12 мин
  • Экосистема и сообщество11 мин
  • Будущее AI-агентов - что дальше12 мин
Урок 14 из 26•14 мин

Система памяти Hermes

Цели урока

После прохождения этого урока вы сможете:

  • 1Понять три уровня памяти AI-агента: краткосрочная, долгосрочная, эпизодическая
  • 2Научиться сохранять и извлекать данные из постоянного хранилища
  • 3Оценить разницу между агентом с памятью и без нее
Ваш браузер не поддерживает воспроизведение видео.
Видео-введение к уроку

Зачем AI-агенту память

Обычный чат-бот начинает каждый разговор с чистого листа. Он не помнит, о чем вы говорили вчера, какие задачи решали и какие предпочтения высказывали. AI-агент с памятью - это принципиально другой уровень. Hermes может накапливать знания между сессиями, обучаться на ошибках и адаптироваться под конкретного пользователя.

Три уровня памяти AI-агента Hermes - краткосрочная, долгосрочная и эпизодическая
Архитектура памяти Hermes: от контекстного окна до постоянного хранилища(нажмите для увеличения)

Три уровня памяти

Система памяти Hermes построена по аналогии с человеческой памятью и включает три уровня, каждый из которых решает свою задачу.

УровеньАналогияХранилищеВремя жизниОбъем
КраткосрочнаяОперативная памятьКонтекстное окно (до 512K токенов)Текущая сессияОграничен контекстом модели
ДолгосрочнаяЖесткий дискФайлы, база данных, векторное хранилищеМежду сессиями (постоянно)Практически неограничен
ЭпизодическаяДневникЛоги сессий, журнал действийМежду сессиями (с ротацией)Настраивается пользователем

Краткосрочная память - контекстное окно

Контекстное окно Hermes 3 (на базе Llama 3.1) составляет до 128K токенов, но при локальном развертывании обычно используется 32K-64K. Hermes 4 (на базе Llama 4 Maverick) поддерживает до 512K токенов. В этом окне хранится текущий диалог, системный промпт, описания инструментов и результаты последних действий. Когда окно заполняется, старые сообщения вытесняются - агент буквально забывает начало разговора.

Долгосрочная память - постоянное хранилище

Долгосрочная память - это то, что отличает настоящего AI-агента от чат-бота. Hermes может сохранять информацию в файлы, базу данных или векторное хранилище. Эта информация доступна между сессиями. Агент запоминает ваши предпочтения, контекст проектов, частые запросы и накопленные знания.

yaml
# Конфигурация долгосрочной памяти Hermes
memory:
  # Файловое хранилище (простейший вариант)
  file_store:
    path: ./data/memory
    format: json

  # Векторное хранилище (для семантического поиска)
  vector_store:
    provider: chromadb
    collection: hermes_memory
    embedding_model: nomic-embed-text

  # Структурированные данные
  database:
    provider: sqlite
    path: ./data/hermes.db
    tables:
      - user_preferences
      - project_context
      - learned_patterns

Эпизодическая память - журнал сессий

Эпизодическая память хранит логи прошлых сессий: какие задачи выполнялись, какие ошибки возникали, какие решения были приняты. Это позволяет агенту учиться на собственном опыте. Например, если в прошлой сессии определенный подход не сработал, агент может избежать этой ошибки в будущем.

Сохранение и извлечение из памяти

yaml
# Пример навыка для работы с долгосрочной памятью
name: memory_manager
description: Управление долгосрочной памятью агента

tools:
  - name: save_memory
    description: Сохранить информацию в постоянную память
    parameters:
      category: string  # preferences, facts, patterns
      key: string
      value: string
      importance: number  # 1-10

  - name: recall_memory
    description: Извлечь информацию из памяти
    parameters:
      query: string
      category: string  # optional filter
      limit: number  # max results

instructions: |
  При каждом значимом взаимодействии:
  1. Определи, содержит ли сообщение пользователя
     новую информацию о его предпочтениях
  2. Если да - сохрани через save_memory
  3. Перед ответом на вопрос - проверь recall_memory
     на наличие релевантного контекста
  4. Используй найденный контекст для персонализации

Практический пример: извлечение знаний

python
# Python - работа с памятью через API
import json
from pathlib import Path

class HermesMemory:
    def __init__(self, storage_path="./data/memory"):
        self.path = Path(storage_path)
        self.path.mkdir(parents=True, exist_ok=True)

    def save(self, category: str, key: str, value: str, importance: int = 5):
        """Сохранить факт в долгосрочную память"""
        file = self.path / f"{category}.json"
        data = json.loads(file.read_text()) if file.exists() else {}
        data[key] = {
            "value": value,
            "importance": importance,
            "updated": "2026-06-09"
        }
        file.write_text(json.dumps(data, ensure_ascii=False, indent=2))

    def recall(self, category: str, key: str = None) -> dict:
        """Извлечь из памяти по категории и ключу"""
        file = self.path / f"{category}.json"
        if not file.exists():
            return {}
        data = json.loads(file.read_text())
        if key:
            return data.get(key, {})
        return data

# Использование
memory = HermesMemory()
memory.save("preferences", "timezone", "Europe/Moscow", importance=8)
memory.save("preferences", "language", "Russian", importance=9)
memory.save("facts", "project_stack", "Next.js + PostgreSQL", importance=7)

# Извлечение
prefs = memory.recall("preferences")
print(prefs)  # {"timezone": {...}, "language": {...}}

Агент без памяти и с памятью

Без памяти (как обычный ChatGPT)
Каждая сессия с нуля. Пользователь повторяет контекст. Одни и те же ошибки раз за разом. Нет персонализации. "Кто ты? Какой у тебя проект? Какой стек?" - каждый раз заново.
С памятью (Hermes Agent)
Знает пользователя и проект. Помнит предпочтения и контекст. Учится на ошибках прошлых сессий. Персонализирует ответы. "Доброе утро! Вчера мы остановились на рефакторинге модуля авторизации. Продолжим?"
Главный вывод

После 10 сессий агент с памятью работает значительно эффективнее, чем в первый день. Он знает ваш стек, предпочтения, типичные задачи и частые ошибки. Это экономит от 5 до 15 минут на каждое взаимодействие - время, которое вы раньше тратили на повторное объяснение контекста.

Начните с файлового хранилища памяти - это самый простой способ. Когда объем данных вырастет, переходите на векторное хранилище для семантического поиска по накопленным знаниям.

Тест для самопроверки
Какой тип памяти сохраняется между сессиями агента?

Вопросы для размышления

  • •Какую информацию о вашей работе агент должен запоминать в первую очередь?
  • •Где бы вы хранили долгосрочную память агента - в файлах, базе данных или векторном хранилище?
MCP-клиент и внешние серверыЦикл самоулучшения

Источник: Reymer AI. © 2026 Reymer AI