Агент уже видел правило и ту же сломанную команду — а через двадцать шагов снова наступает на те же грабли, будто впервые. На длинной задаче часто не «мало места в голове», а то, что нужное уже было, но перестало влиять на следующий ход.
Meta ставит рядом с исполнителем второго агента памяти: он держит банк правил и прошлых провалов и сам решает — коротко напомнить или промолчать. Пихать весь банк на каждом шаге оказалось хуже, чем уметь вовремя замолчать. Это исследовательская схема с кодом, не кнопка в чате — зато ясно, зачем памяти политика вмешательства, а не просто «вернуть лог обратно».
Нужное уже лежит в истории, но шаг всё равно слепой
Знакомая сцена: агент в терминале или в длинной цепочке поддержки уже поймал ограничение, уже сломался на команде, уже «понял» диагноз — и через десяток ходов делает то же самое. Расшифровка на экране при этом не пустая. Правило где-то в ленте. Ошибка где-то выше. А следующий ход ведёт себя так, будто чистый лист.
В работе Meta AI это называют распадом поведенческого состояния: требования, факты среды, прошлые попытки, открытые подцели размазываются по растущей траектории. Они могут остаться в протоколе и даже в окне контекста, но перестают управлять решением. Просто «дать больше истории» проблему не снимает — влияние гаснет раньше, чем кончается место.
Отсюда и бытовой вывод для тех, кто гоняет агентов в Cursor или Make: если модель снова крутит ту же сломанную команду после того, как уже видела отказ, дело не всегда в коротком контексте. Часто не хватает политики — кто и когда имеет право ткнуть исполнителя носом в уже известное.
Рядом с исполнителем сажают тренера, который умеет молчать
Схема простая и жёсткая. Исполнителя не переписывают. Рядом ставят отдельного агента памяти. Его зовут с первого шага и дальше по расписанию — в основной постановке на каждом ходе, с окном недавних шагов в восемь. Сначала он правит структурированный банк через заранее заданные инструменты. Потом решает: вставить короткое напоминание в следующий вызов исполнителя или не вмешиваться вовсе.
Это не советник по стратегии. Напоминания только из банка: правила, проверенные факты, что уже пробовали и чем кончилось. Нет широких наставлений «думай иначе». Исполнитель остаётся как был — память подключается к существующей обвязке без переделки мозга.
Статья на arXiv называется «Remember When It Matters: Proactive Memory Agent for Long-Horizon Agents» (2607.08716). Авторы — команда Meta AI; корреспонденция у Yifan Wu и Zhuokai Zhao. Разбор сигнала 2 августа 2026 года дали The Decoder и русскоязычное зеркало Creati.ai. Код лежит на GitHub: yifannnwu/proactive-memory-agent, лицензия Apache-2.0.
В банке три полки, и одну исполнитель никогда не видит
Банк не «весь чат целиком». Три части. Статус — приватный прогресс и риски; исполнителю его не показывают. Знание — относительно стабильное: требования, пути, настройки, проверенные факты. Процедура — что пробовали и чем кончилось: провалы, исправления, отвергнутые гипотезы.
Правки только через заранее заданные инструменты: обновить статус, сохранить знание, сохранить процедуру, удалить. Свободной перезаписи банка нет. Это важно: память не превращается в ещё один поток воды, который модель сама себе пересказывает.
Качественный пример из бенчмарка поддержки авиакомпании: пользователь сказал, что у него статус Gold, инструмент показал Regular. Базовый агент выдал компенсацию по словам человека. Агент памяти напомнил опираться на проверенные данные инструмента. Разница не в «длиннее контекст», а в том, что вовремя ткнули в уже записанный факт.
На бенчмарках молчание вовремя сильнее постоянного шума памяти
Цифры — самоотчёт авторов, не независимая лаборатория. Агент памяти в основной постановке — Claude Opus 4.6. На Terminal-Bench 2.0 (85 парных задач) у Sonnet 4.5 как исполнителя: 37,6% → 45,9% (+8,3 процентных пункта). У Opus 4.6 как исполнителя прирост скромнее: 43,5% → 45,9% (+2,4). На τ²-Bench (авиа, ритейл, телеком, взвешенно по задачам) Sonnet: 55,0% → 61,8% (+6,8); Opus: 66,2% → 68,7% (+2,5). По доменам у Sonnet вмешательства ведут себя по-разному: авиа сильнее, телеком слабее. Слой полезен не только «слабой» модели — сильный исполнитель тоже чуть растёт.
Когда отключали куски схемы, рушилась иллюзия «просто верни память». Полный банк на каждом шаге хуже избирательного напоминания. Постоянно вставлять что-то конкурентоспособно, но хуже сбалансировано по доменам. Советник без банка нестабилен. Обычный поиск по памяти в духе Mem0 на сводке уступает полной схеме: дело не только в том, что достали, а в том, нужно ли это впускать в цикл как точечный тычок.
Открытую версию агента памяти учили отдельно. Qwen3.5-27B как память при замороженном исполнителе без обучения ухудшает результат; обучение с учителем возвращает пользу; дальше калибруют, когда лучше молчать. Перенос на Terminal-Bench: 37,6% → 41,1% (+3,5). Главная версия в статье — на текстовых инструкциях; обучение открытых весов — отдельная ветка.
Это бумага и репозиторий, а не кнопка в чате Meta
Не путайте с потребительским Meta AI в мессенджерах. Здесь научная статья плюс код к ней. Стандартного подхода в отрасли ещё нет: кто-то сжимает диалог фоновыми агентами, кто-то бьётся с гниением контекста, кто-то строит пожизненную память с добавлением, правкой и забыванием. Meta здесь про другое — политику вмешательства поверх траектории.
Оговорки авторов и разборов честные. Второй агент стоит токенов и задержки. Расписание «каждый шаг» — не бесплатно. Часть ошибок остаётся от слишком уверенных догадок, а не от «забыли записать». Авторы сами оставляют открытым: учить память и исполнителя вместе; звать память по нужде, а не по жёсткому графику; где лучше буквальные записи, а где абстракции задачи.
Практический смысл для длинных сценариев простой. Не надеяться, что «агент уже видел» равно «агент будет слушаться». Вести явный банк правил и провалов. Давать право молчать: шум на каждом шаге хуже короткого напоминания в нужный момент. Если собираете обвязку агентов сами — смотрите идею избирательного вмешательства, а не только «запихнуть лог обратно в контекст».
Свежий разбор сигнала и рабочие связки вокруг агентов, Make и Cursor — в канале «Ковчег». Если нужен стек Cursor + Make + AI без воды — программа на kv-ai.ru/obuchenie-po-make, хаб kv-ai.ru.
