Инженерный помощник на Letta: самообновляемая память, архивный поиск и переносимые сценарии

16 ноября 20260 просмотров

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.

Инженерный помощник на Letta: самообновляемая память, архивный поиск и переносимые сценарии

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.

БлокСодержимоеЗначение по умолчаниюЛимит
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
humanУстойчивые сведения об инженере: имя, роль, стек, предпочтения и стиль работы.Unknown so far.3000
project_stateТекущее состояние проекта: этапы, блокеры, решения и их обоснования.(empty)5000
lessonsУсвоенные 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
Гайды

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
Новости

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
Новости

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
Инженерный помощник на Letta: память, поиск и сценарии