Ключевые выводы
Пространство инструментов ИИ-кодинга переживает тонкий поворотный момент. Когда все продукты соревнуются в интеллекте моделей, в сообществе разработчиков распространяется совершенно другая жалоба:
Теперь, когда базовая продуктивность достигнута, то, что разрушает людей — это не то, что модель глупая, а то, что агент теряет память каждый раз при открытии новой сессии.
Это предложение бьёт в самый сердцевинный bottleneck, с которым сталкивается практическое внедрение ИИ-агентов в 2026 году.
Три измерения амнезии
1. Физические пределы конфигурационных файлов
AGENTS.md, CLAUDE.md, .github/copilot-instructions — эти файлы являются основными каналами, через которые агенты получают предметные знания. Но их ёмкость ограничена.
Когда вы поддерживаете проект с сотнями тысяч строк кода, охватывающий десятки микросервисов, сложную бизнес-логику и историю технического долга… общий объём знаний может превысить миллион токенов. Никакой конфигурационный файл не может вместить всё это.
2. RAG не может найти «неизвестные неизвестные»
RAG действительно помогает агентам извлекать существующие документы. Но у него есть фатальная слепая зона:
RAG не может найти «неизвестные неизвестные» (unknown unknowns).
Предметные знания, которые новый сотрудник усваивает за две недели парного программирования — это не только правила, записанные в документации. Они также включают знания, которые никто не записал:
- Почему модуль изначально выбрал План A, а не План B
- При каких экстремальных условиях формат возвращаемых данных API мутирует
- Какой тестовый случай кажется избыточным, но на самом деле был добавлен после того, как наступили на грабли
RAG бессилен перед этими неявными знаниями.
3. Обслуживание Skills до тошноты
Чтобы решить проблему инъекции знаний, разработчики начали вручную обслуживать файлы Skills. Но результат:
Я обслуживаю Skills до тошноты.
Потому что код меняется, бизнес меняется, архитектура меняется. Каждое изменение требует синхронного обновления файлов Skills, превращая это в тяжёлую задачу обслуживания.
Сравнение: как учатся люди-новички?
В компании новый сотрудник усваивает предметные знания после двух недель парного программирования. Этот процесс имеет несколько ключевых характеристик:
- Прогрессивное обучение: Не одноразовая загрузка всех знаний, а постепенное накопление через реальную работу
- Контекстуальное понимание: Понимание, почему вещи делаются определённым образом, через конкретные задачи, а не заучивание правил
- Двусторонняя обратная связь: Мгновенная коррекция после ошибок, формирование более точных ментальных моделей
- Неявная передача: Изучение не задокументированных вещей через наблюдение за работой ветеранов
Почти ни одна текущая система ИИ-агентов не может по-настоящему симулировать этот процесс.
Направления прорыва
Прогрессивная загрузка контекста
Вместо попытки инъекции всех знаний сразу, позвольте агенту постепенно строить предметное понимание через взаимодействие с проектом. Memory Wiki от Hermes Agent и механизм Follow-up Commitments от OpenClaw исследуют именно это направление.
Автоматический захват неявных знаний
Если агент может автоматически записывать свой процесс рассуждений, опыт ошибок и пути исправления — и ссылаться на эти записи в последующих сессиях — он может сформировать режим обучения «цифрового подмастерья».
Граф предметных знаний
Организация архитектурных решений проекта, зависимостей и бизнес-правил в запрашиваемый граф знаний более гибка и поддерживаема, чем текстовый-only AGENTS.md.
Рекомендации к действию
- Не пытайтесь впихнуть все знания в один файл: Управляйте послойно — ключевые правила в AGENTS.md, контекст уровня проекта через RAG, исторические записи решений через граф знаний
- Позвольте агентам участвовать в Code Review: Читая обсуждения PR и изменения кода, агенты могут автоматически изучать неявные знания проекта
- Используйте персистентность сессий: Функция Profiles от Hermes Agent позволяет сохранять независимые состояния контекста для разных проектов, избегая начала с нуля каждый раз
Персистентность контекста — это не вишенка на торте, а неизбежный путь для ИИ-агентов, превращающихся из игрушек в инструменты. Тот, кто первым решит эту проблему, получит преимущество первопроходца в конкуренции агентской инфраструктуры.