Технічний контекст
Я люблю такі теми, бо тут одразу видно різницю між демо та повноцінною AI-імплементацією. Ідея зберігати пам'ять агента в Markdown на папері здається аж надто простою: файли читомі для людини, їх легко версіонувати, редагувати вручну і згодовувати агенту назад.
Я розібрався в цьому підході, і суть зрозуміла. Агент пише нотатки не в сирий лог чату, а в структуровані markdown-блоки: факти про користувача, останні рішення, відкриті завдання, епізоди, висновки. Це вже не просто лог, а зародки довготривалої пам'яті.
Ось де мені стало цікаво: Markdown хороший не сам по собі, а як зручний шар представлення. Поки у вас десятки чи сотні записів, можна обійтися файловою системою, grep і простою індексацією. Щойно пам'яті стає багато, без ембедингів, реранкінгу чи хоча б нормальної мета-розмітки агент починає тягнути не те і забувати важливе.
Ще одна проблема в тому, що Markdown чудово зберігає смислові нотатки, але погано працює як точне сховище фактів. Уподобання користувача, статуси, дати, ролі, ліміти, права доступу я б не залишав лише в тексті. Для цього мені ближчий гібрид: структурні дані в БД, а епізодична пам'ять та сумаризації — в Markdown або поруч із ним.
Що це змінює для бізнесу та автоматизації
Для швидких прототипів це справді зручно. Я можу за вечір зібрати AI-автоматизацію, де агент веде нотатки по клієнту, пам'ятає домовленості та підхоплює контекст між сесіями без важкої інфраструктури.
Виграють невеликі команди, внутрішні асистенти, support-агенти та кастомні copilot-сценарії. Програють проєкти, де потрібна висока точність по полях, жорсткі SLA та пошук по великих масивах пам'яті.
Щодо грошей висновок теж простий: Markdown знижує поріг входу, але не скасовує архітектуру. Якщо пам'ять впливає на продажі, підтримку чи операції, то AI-інтеграцію треба будувати так, щоб агент розрізняв факти, гіпотези, свіжий контекст і застарілі записи.
Я саме такі вузькі місця постійно бачу в клієнтських системах: пам'ять є, а довіряти їй не можна. Якщо у вас агент вже плутає контекст, дублює дії чи забуває домовленості, можна спокійно розібрати ваш workflow і в Nahornyi AI Lab зібрати AI-рішення під ваш процес, без іграшкової пам'яті та зайвого зоопарку технологій.