Що я побачив у MemPalace
Я поліз дивитися репозиторій не через селебріті-ефект, а тому що memory systems для агентів зараз реально болять майже в кожному другому живому кейсі. І так, момент сюрреалістичний: на GitHub з'являється проєкт від milla-jovovich, і стрічка різко починає обговорювати persistent memory, а не чергову AI-іграшку для генерації картинок.
За описом MemPalace виглядає як легкий прошарок пам'яті, а не як важка довгострокова memory architecture. Основна ідея проста: на старті агенту підвантажуються приблизно 170 токенів найважливіших фактів, а решта шукається лише за необхідності. З інженерної точки зору підхід зрозумілий: менше latency, менше витрата токенів, менше сміття в контексті.
Але тут я б одразу остудив очікування. Це не схоже на повноцінну систему рівня research-grade persistent memory, де є профілювання фактів, оновлення стану, вирішення конфліктів, пріоритезація епізодичної та семантичної пам'яті. Поки це більше схоже на практичний memory layer для короткого boot context, ніж на «пам'ять як у людини».
І це, до речі, не мінус. Я занадто часто бачу, як агентам намагаються прикрутити величезні векторні сховища там, де вистачило б компактного шару ключових фактів і нормального retrieval за подією.
Чому галас навколо проєкту насправді корисний
Мене тут зачепив не тільки сам код, а те, як швидко мем і open-source злилися в один інфопривід. Можливо, це PR. Можливо, за проєктом немає глибокої наукової новизни. Але ринок агентних систем так і розвивається: спочатку дивний інфошум, потім натовп іде дивитися, а потім частина людей раптово розуміє, що memory layer їм і справді потрібен.
Для бізнесу висновок дуже приземлений. Якщо ви робите ШІ-агента для підтримки, продажів, внутрішньої бази знань або ops-процесів, без пам'яті він швидко стає золотою рибкою. Він може бути розумним на одному кроці, але на довгій дистанції починає забувати вподобання клієнта, минулі рішення, статус завдань і власні обіцянки.
Я в Nahornyi AI Lab регулярно впираюся в це місце при проєктуванні агентних систем. Не в «яку модель взяти», а в «що агент повинен пам'ятати завжди, що згадувати за запитом, а що взагалі не можна зберігати». Ось тут і починається справжня AI-архітектура, а не магія з демки.
Виграють ті, хто перестане плутати пам'ять із нескінченним контекстним вікном. Програють ті, хто вирішить, що long context автоматично замінює нормальну ШІ інтеграцію та модель стану користувача.
Де це можна застосувати без зайвої романтики
Я б дивився на такі речі як на будівельний блок, а не як на готовий мозок агента. Легка пам'ять особливо корисна там, де агенту треба швидко стартувати з мінімальним набором фактів:
- Сапорт-агенти з історією клієнта, тарифом, пріоритетом і відкритими тікетами;
- Внутрішні асистенти, які пам'ятають роль співробітника, стек команди та поточні проєкти;
- Sales-агенти, яким потрібен контекст по ліду без повторного допиту на кожному кроці.
Але якщо потрібен серйозний контур, одного «запам'ятаємо 170 токенів» замало. Потрібні правила оновлення пам'яті, аудит, розмежування доступу, зв'язка з CRM або helpdesk, і нормальна автоматизація за допомогою ШІ поверх реальних бізнес-подій. Інакше виходить симпатичний GitHub-репозиторій, який гарно звучить, але не доживає до продакшену.
Я б не переоцінював сам MemPalace як технологічний прорив. Зате я точно не недооцінював би сигнал ринку: тема memory systems для AI agents перестала бути нішевою і вже прямує в мейнстрим. А отже, впровадження штучного інтелекту все частіше буде впиратися не в генерацію тексту, а в управління пам'яттю, станом і діями агента.
Цей розбір зробив я, Вадим Нагорний з Nahornyi AI Lab. Я не колекціоную AI-новини заради галасу, а збираю ШІ рішення для бізнесу руками: від memory-aware агентів до n8n-сценаріїв і складної ШІ автоматизації.
Якщо хочете обговорити ваш кейс, створити ШІ агента на замовлення або замовити ШІ автоматизацію під ваш процес, напишіть мені. Я допоможу швидко зрозуміти, де потрібен реальний memory layer, а де хайп можна спокійно пропустити.