Инженерный помощник на Letta: самообновляемая память, архивный поиск и переносимые сценарии
Разбирается сборка агента, который самостоятельно ведёт блоки основной памяти, обращается к векторному архиву и вызывает детерминированные инструменты; отдельно рассматриваются общее состояние нескольких агентов, потоковая выдача и экспорт рабочего процесса в переносимый файл.

Назначение помощника
Учебное руководство собирает сохраняющий состояние инженерный помощник на Letta. Агент получает описание «Engineering copilot with inspectable long-term memory». Архитектура объединяет память, поиск, инструменты, взаимодействие нескольких агентов и трассы выполнения.
Критерий: помощник подходит для инженерных задач с сохраняемым состоянием и проверяемой долговременной памятью.
Блоки основной памяти и самообновление
Основная память состоит из четырех проверяемых блоков. Агент может обновлять их самостоятельно.

Код задает четыре блока с разными значениями по умолчанию и лимитами.
| Блок | Содержимое | Значение по умолчанию | Лимит |
|---|---|---|---|
persona | «I am Mnemo, an engineering copilot. I am terse, concrete, and I never invent facts — if I don't know something I say so and then go look it up.» | — | 3000 |
human | Устойчивые сведения об инженере: имя, роль, стек, предпочтения и стиль работы. | Unknown so far. | 3000 |
project_state | Текущее состояние проекта: этапы, блокеры, решения и их обоснования. | (empty) | 5000 |
lessons | Усвоенные уроки и ошибки, которые не следует повторять; формат — одна строка на урок. | (empty) | 2000 |
Критерий: блоки разделяют роль агента, профиль инженера, состояние проекта и усвоенные уроки. Лимиты задают границы каждого блока.
Настройка эмбеддинга, тегов и моделей
Код задает embedding openai/text-embedding-3-small для агента. Код назначает теги ["tutorial", "copilot"]. Код перечисляет предпочтительные модели: openai/gpt-4.1, openai/gpt-4o-mini, anthropic/claude-sonnet-4-20250514. Система выбирает первую доступную модель из списка. Если ни одна не найдена, система берет первую модель из полученных.
Критерий: порядок списка задает приоритет. Резервный вариант — первая модель из полученных.
Программный доступ и совместная работа агентов
Программный доступ к блокам решает две задачи.
- синхронизация состояния;
- совместное использование несколькими агентами.
Доступ идет к блокам основной памяти.
Критерий: общий доступ к блокам нужен для синхронизации состояния между агентами.
Архивная память и семантический поиск
Архивная векторная память служит для семантического поиска. Она входит в архитектуру помощника.
Критерий: архивный поиск нужен для смысловых запросов к накопленным данным.
Серверный инструмент оценки риска и потоковое выполнение
Пользовательский серверный инструмент выполняет детерминированную оценку риска. Потоковая передача выполнения входит в архитектуру помощника.
Критерий: для оценки риска нужен серверный инструмент с детерминированной логикой. Для выполнения нужна потоковая передача.
Серверная история и переносимые сценарии
Серверная история сообщений поддерживает постоянные разговоры. Экспорт .af обеспечивает переносимость.
Критерий: для постоянного диалога нужна серверная история. Для переноса сценария нужен экспорт .af.
Часто задаваемые вопросы
Похожие материалы
Все материалы
Гибридная разметка изображений: автоматизация ускоряет обучение моделей компьютерного зрения
Статья описывает, как предварительная разметка алгоритмами сокращает ручную работу и повышает чистоту обучающих наборов, а также почему выборочная верификация человеком остаётся необходимой. Рассмотрены ограничения метода в трудных условиях съёмки и на редко встречающихся типах объектов.
5 ноября 2026
Метод GoldiMask для дообучения диффузионных языковых моделей: выбор контекста и взвешивание целей
В работе представлен GoldiMask — подход к supervised fine-tuning для языковых моделей с дискретной диффузией, который выбирает видимые токены через приближённую максимизацию субмодулярной функции и назначает веса оставшимся целям по их обучающей полезности. Эксперименты на нескольких моделях и датасетах демонстрируют рост средней точности, прирост на задачах логического вывода и программирования, а также меньше итераций параллельного декодирования на GSM8K и MATH-500 при близком качестве.
30 октября 2026
Transformers добавила запуск квантованных GGUF-моделей на Apple Silicon
Статья описывает интеграцию формата GGUF из llama.cpp в Transformers: локальный инференс на Mac, загрузку моделей через API библиотеки и запуск OpenAI-совместимого сервера. На примере Qwen3.5-4B показано, как выбор уровня квантования влияет на размер весов и требования к памяти.
18 октября 2026