Агентам не потрібна пам'ять, їм потрібна документація

TL;DR

• •Стаття пропонує замінити пам'ять агентів на документно-орієнтований простір
• •Аргумент: документація забезпечує надійний контекст, на відміну від RAG-пам'яті
• •Джерело: блог пост на liao.gg, обговорюється на Hacker News
• •Не пропонує конкретного інструменту або методу реалізації
• •Технічна глибина: концептуальна, без даних або benchmarkів

Як це змінить ваш ринок?

Ця думка не змінить ринок напряму, бо не надає діїсного інструменту. Проте, якщо розробники інструментів для агентів почнуть враховувати цю критику, це може призвести до кращих документаційних інтерфейсів у платформах типу LangChain або LlamaIndex. Для бізнесу це означає, що слід уважно вибирати інструменти для агентів, віддаючи перевагу тим, які роблять упор на прозорість та контекст через документи, а не на «пам’ять» як маркетинговий термін.

Визначення: AI-агент — програмна система, яка може автономно виконувати завдання, використовуючи ШІ для розуміння, планowania та дії.

Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.

Не застосовується: це концептуальна стаття без готового продукту. Для впровадження потрібна інженерна команда, що створює власних агентів, і доступ до документного сховища. Масштаб: будь-який, але тільки для компаній, які вже будують власних агентів ШІ.

Альтернативи (ТАБЛИЦЯ: | | Продукт 1 | Продукт 2 | Продукт 3 | з колонками: Ціна, Де працює, Мін. вимоги, Ключова різниця.

| | LangChain | LlamaIndex | Custom RAG | | Ціна | безкоштовно (open source) | безкоштовно (open source) | вартість розробки | | Де працює | Python API, інтеграції з LLM | Python API, фокус на данних | повністю кастомізація | | Мін. вимоги | знання Python, доступ до LLM | знання Python, векторна БД | інженерна команда | | Ключова різниця | універсальний фреймворк для агентів | оптимізований для пошуку в документах | повний контроль над логікою пам’яті |