Artykuł 3 z serii Anatomia Agenta AI ← Jak agent myśli — ReAct, Chain-of-Thought i pętla działania
Wyobraź sobie że zatrudniasz asystenta. Pierwszego dnia tłumaczysz mu wszystko: jak działasz, jakie są Twoje preferencje, na czym Ci zależy. Pracuje świetnie.
Następnego dnia przychodzi i nie pamięta nic. Zero. Musisz tłumaczyć od nowa.
Dokładnie tak działa model językowy bez mechanizmów pamięci. Każde wywołanie zaczyna od czystej kartki. Poprzednia rozmowa, decyzje z zeszłego tygodnia, kontekst który nabudowałeś przez miesiąc — znikają po zamknięciu sesji.
Dla chatbota to jest akceptowalne. Dla agenta który ma być użytecznym współpracownikiem przez miesiące — to jest fundamentalne ograniczenie. I jest to ograniczenie które można obejść.
Cztery typy pamięci agenta
Pamięć agenta to nie jedna rzecz. To cztery różne mechanizmy, każdy z innymi właściwościami i zastosowaniami. Rozróżnienie między nimi jest kluczowe — bo błędy przy projektowaniu pamięci agenta niemal zawsze wynikają z użycia złego typu do złego zadania.
1. Pamięć robocza — okno kontekstu
To wszystko co agent „widzi” teraz — aktualna sesja, historia kroków, wyniki narzędzi, instrukcja systemowa. Tak jak RAM w komputerze: błyskawiczny dostęp, ale znika gdy skończy się sesja.
Okno kontekstu ma konkretny rozmiar mierzony w tokenach. GPT-4o — 128 tysięcy tokenów. Claude Sonnet 4 — 200 tysięcy. Gemini 1.5 Pro — milion.
To brzmi jak dużo, ale przy długim zadaniu z wieloma krokami, wywołaniami narzędzi i pobranymi dokumentami — okno kontekstu wypełnia się szybciej niż myślisz. A gdy jest zapełnione, najstarsze informacje wypadają albo model gorzej korzysta z tego co leży „pośrodku” (zjawisko znane jako „lost in the middle” — model lepiej pamięta co jest na początku i końcu kontekstu niż w środku).
Pamięć robocza jest dobra do: aktualnego zadania, bieżącej sesji, danych które potrzebne są teraz.
Nie nadaje się do: przechowywania informacji między sesjami, skalowalnej historii, wiedzy firmowej.
2. Pamięć epizodyczna — wspomnienia zdarzeń
Agent skończył rozmowę z klientem. Omawialiście specyficzne wymagania, zapadły decyzje, pojawiły się niestandardowe warunki. Następnym razem gdy ten klient wróci — agent powinien to wiedzieć.
Pamięć epizodyczna to zewnętrzna baza (najczęściej wektorowa) gdzie zapisywane są konkretne zdarzenia i interakcje. Agent może przeszukiwać ją semantycznie: „co ustaliliśmy z klientem X w marcu?”, „jakie były problemy przy projekcie Y?”, „co ten użytkownik powiedział o swoich preferencjach?”
Kluczowa właściwość: nie musisz pamiętać słów kluczowych. Szukasz semantycznie — „cokolwiek dotyczyło harmonogramu projektu Y” — i baza wektorowa zwraca relevantne fragmenty.
To jest najpopularniejszy typ „długoterminowej pamięci” który deweloperzy implementują dla agentów. Narzędzia: Mem0, Zep, MemGPT — każde z nich zapewnia warstwę pamięci epizodycznej nad modelem.
3. Pamięć semantyczna — wiedza
Inne pytanie: agent obsługuje klientów firmy. Musi znać produkty, politykę cenową, warunki gwarancji, procedury reklamacji.
To nie są „wspomnienia” konkretnych zdarzeń. To jest wiedza deklaratywna — fakty, dokumenty, instrukcje. Przechowywana jako baza dokumentów, odpytywana przez RAG gdy agent potrzebuje konkretnej informacji.
Różnica między epizodyczną a semantyczną jest subtelna ale ważna: epizodyczna przechowuje „co się stało”, semantyczna przechowuje „jak jest”. Rozmowa z klientem — epizodyczna. Polityka zwrotów — semantyczna.
4. Pamięć proceduralna — umiejętności
Najtrudniejszy typ do zrozumienia, a często najcenniejszy w praktyce.
Agent wielokrotnie wykonuje ten sam typ zadania — powiedzmy analizuje umowy prawne i szuka klauzul ryzyka. Z czasem „uczy się” co szukać, jak to opisać, jakie wzorce pojawiają się najczęściej.
Ta wiedza proceduralna może być przechowywana jako:
- Zaktualizowany system prompt z lepszymi instrukcjami
- Przykłady few-shot w prompcie (przykład dobrej analizy + przykład złej)
- Fine-tuning modelu na zadanych przykładach (zaawansowane)
Pamięć proceduralna sprawia że agent poprawia się z czasem — nie tylko „pamięta” co się działo, ale uczy się jak działać lepiej.
Przykład który pokazuje różnicę
Asystent bez pamięci długoterminowej — wersja „chatbot”:
Klient: „Pamiętasz że prosiłem żebyś zawsze formatował raporty jako bullet-pointy?” Asystent: „Niestety, nie mam dostępu do poprzednich rozmów…”
Ten sam asystent z pamięcią epizodyczną:
Klient: „Przygotuj mi podsumowanie spotkania.” Asystent: [pobiera z pamięci: „użytkownik preferuje bullet-pointy, unika długich akapitów, raporty ma dostawać rano”] „Oto podsumowanie:” → [bullet-pointy, zwięźle]
Różnica między tymi dwoma wersjami to nie model, nie prompt. To architektura pamięci.
Agent który „pamiętasz że…” jest fundamentalnie innym produktem niż chatbot który zaczyna od zera. I jest to przewaga której nie można uzyskać samym lepszym modelem.
Trzy błędy przy projektowaniu pamięci
Błąd 1: Wrzucanie wszystkiego do kontekstu.
Kusząca droga na skróty: zbierasz historię wszystkich rozmów i wklejasz do system promptu. Działa dla pierwszych kilku sesji. Potem kontekst jest pełen, koszty rosną, a model gorzej radzi sobie z informacjami zakopanymi w środku długiego kontekstu.
Właściwa architektura: przechowuj historię zewnętrznie, pobieraj relevantne fragmenty przy każdym zapytaniu — nie całość.
Błąd 2: Brak selektywności — zapamiętuj wszystko.
Agent zapamiętuje każdą wymienioną informację. Po miesiącu pamięć jest pełna szumu — nieważnych szczegółów, przestarzałych danych, sprzecznych informacji.
Właściwa architektura: agents z pamięcią powinny decydować co warte jest zapamiętania. Mem0 i podobne systemy mają wbudowaną logikę „co zapisać” zamiast zapisywać surowo każde zdanie.
Błąd 3: Ignorowanie bezpieczeństwa i GDPR.
Pamięć przechowuje dane użytkowników. Długoterminowo. To rodzi dwa problemy:
Context poisoning — atakujący może wstrzyknąć fałszywe „wspomnienie” do bazy wektorowej agenta. Przy kolejnym relevantnym zapytaniu agent pobierze zatrute dane i będzie działał na ich podstawie. Zewnętrzna pamięć to nowy wektor ataku który nie istniał przy chatbocie.
GDPR i prawo do bycia zapomnianym — użytkownik może zażądać usunięcia swoich danych. Czy potrafisz usunąć wszystkie dane konkretnego użytkownika z bazy wektorowej agenta? Nie jest to tak proste jak DELETE FROM users WHERE id=X. Wymaga przemyślanej architektury od początku.
Narzędzia które warto znać
Mem0 — dedykowana warstwa pamięci dla agentów. Inteligentna ekstrakcja „co zapamiętać” z rozmów, semantyczne przeszukiwanie historii, integracja z popularnymi frameworkami.
Zep — pamięć dla aplikacji konwersacyjnych. Automatyczna ekstrakcja faktów, preferencji i relacji z rozmów.
Claude Projects — wbudowana pamięć między sesjami w ramach jednego projektu. Najprościej do uruchomienia dla niedewelopera.
OpenAI Memory — pamięć w ChatGPT między sesjami. Prosta, transparentna (użytkownik widzi co model „zapamiętał”), ale zamknięta w ekosystemie OpenAI.
Microsoft Copilot — najszersza pamięć enterprise: łączy Outlook, Teams, SharePoint i Azure AI Search jako kontekst. Agent „wie” co było w mailach, na spotkaniach, w dokumentach. Dla firm w ekosystemie Microsoft — to naturalna droga.
Co to znaczy dla kogoś kto buduje agenta
Zanim napiszesz pierwszą linię kodu agenta — zdecyduj jakiej pamięci potrzebuje.
Jednorazowe zadanie bez kontynuacji? Pamięć robocza wystarczy. Asystent który wraca do tych samych tematów? Potrzebujesz pamięci epizodycznej. Agent obsługi klienta z bazą wiedzy firmowej? Semantyczna przez RAG. Agent który ma się poprawiać przez powtarzanie zadań? Pomyśl o pamięci proceduralnej.
I jeden wniosek którego się nie spodziewasz zanim przez to przejdziesz: pamięć to nie tylko techniczny problem. To problem produktowy. Agent który pamięta to inny UX, inne oczekiwania użytkownika i inne ryzyko gdy coś pójdzie nie tak. Zanim wdrożysz — zastanów się co agent powinien pamiętać, co powinien zapomnieć, i jak użytkownik może to kontrolować.
W następnym artykule: dość teorii. Budujemy pierwszego agenta bez linii kodu — n8n, praktyczny workflow od zera i przykład który możesz uruchomić jeszcze dziś.
Pojęcia ze słownika: Agent memory · Context window · RAG · Context poisoning · Enterprise RAG · Agent loop
