Как устроена память ИИ-агентов, которые анализируют финансовые рынки? На pimenov.ai вышла гостевая статья Антона из QuantumStocks — с устройством его системы, примерами и скриншотами. Мне особенно интересны материалы, в которых человек рассказывает о собственном практическом опыте: что собрал, как этим пользуется, где ошибся и чему научился. На сайте уже вышло несколько гостевых статей, и я всегда рад новым авторам. Такие истории дают возможность заглянуть в чужую работу и увидеть детали, которые редко попадают в общие обзоры. Антон разбирает память своей системы: векторную базу для поиска по смыслу, граф связей между событиями и решениями, библиотеку накопленных навыков. И показывает, как всем этим пользуется команда из 19 агентов. Больше всего мне запомнился эпизод с моделью, которая показывала отличный результат, пока проверка не обнаружила: при подготовке данных код случайно подглядывал в будущее. Ошибку исправили, а урок сохранили в общей памяти — чтобы при следующем эксперименте снова проверить это место. Рекомендую прочитать, если вы собираете собственных агентов или хотите понять, что помогает им продолжать работу с накопленным опытом. Финансы здесь — конкретный пример, а вопросы памяти возникают в любой длительной работе с ИИ 👉 Память для ИИ: почему чат-бот забывает, а агент — нет