Лучшие системы долговременной памяти для ИИ-агентов 2026

Mem0 — это лучший выбор по умолчанию для долговременной памяти в продуктах собственной разработки, тогда как Perplexity Brain выступает идеальным решением без необходимости писать код (no-build). Главный рыночный сигнал — официальные данные Perplexity: повышение точности ответов на 25%, рост полноты выборки (recall) на 16% и снижение затрат на 13% в задачах Computer, требующих обращения к историческому контексту.

Короткий ответ: какие системы долговременной памяти для ИИ-агентов выбрать?

Выбирайте Mem0, если вам нужен API памяти внутри собственного продукта с понятным переходом от бесплатного прототипа к управляемому продакшен-сервису. Выбирайте Perplexity Brain, если агент уже функционирует внутри Perplexity Computer и вам нужно избавить команду от ручного повторения контекста без создания собственной инфраструктуры. Остановитесь на Hindsight, когда агенту требуется анализировать меняющиеся факты и длинные исторические цепочки, или на Zep, если ядром архитектуры должен стать управляемый темпоральный граф знаний.

Остальные участники рейтинга решают более узкие задачи. Supermemory незаменим, когда диалоги, документы и сторонние коннекторы нужно свести в единый мультимодальный слой контекста. Cognee подойдет командам, которым требуется графовый, векторный и реляционный движок для локального запуска или развертывания в собственном облаке (BYOC). Хранилища памяти Claude Managed Agents представляют собой наиболее прозрачный вариант с файловой структурой и встроенным аудитом в управляемой среде Anthropic. Letta обеспечивает переносимость идентичности агентов-программистов при смене базовых моделей нейросетей. LangMem — это выбор в виде библиотеки, когда вы уже строите процессы на LangGraph и хотите полностью контролировать хранилище и логику работы.

Цены проверены 28 августа 2026 года. «Бесплатно» может означать облачный Free tier, open-source решение для self-hosted развертывания или бесплатный клиент с отдельной тарификацией моделей и инфраструктуры. Это принципиально разные статьи расходов, поэтому в каждом разделе указаны реальные затраты.

Этот рейтинг намеренно не построен как бенчмарк-таблица. Система памяти может демонстрировать великолепные показатели поиска, но оказаться непригодной покупкой из-за несовместимости с вашей политикой удаления данных, границами изоляции клиентов (tenancy), требованиями к задержке или операционной моделью. Лучшая система — та, чьи границы хранения точно соответствуют структуре ваших данных.

Главное правило выбора звучит так: покупайте управляемый сервис, если ежемесячная подписка обходится дешевле рабочего времени инженеров, необходимого для ручной настройки извлечения, консолидации, поиска, исправления и удаления данных. Создавайте собственный стек, если строгая изоляция данных или нестандартное поведение памяти являются критическими требованиями. Это правило определяет архитектуру гораздо надежнее, чем минимальный отрыв в тестах производительности.

Что вы покупаете на самом деле

Долговременная память — это не просто увеличенный промпт. Контекстное окно определяет лишь то, что нейросеть «видит» в рамках одной генерации. Чекпоинт позволяет возобновить рабочий процесс с сохраненной точки. Полноценная долговременная память определяет, какие данные сохраняются во времени, как они модифицируются и какой именно точечный фрагмент должен попасть в будущую сессию. Управляемый слой знаний добавляет ко всему этому контроль владения, происхождение данных (provenance), сроки хранения и механизмы удаления.

Эти уровни решают разные классы сбоев. Если агенту нужно просто продолжить шаг после сбоя, используйте чекпоинт. Если ему нужно помнить, что в прошлом месяце клиент сменил контактное лицо по счетам, требуется долговременная память с учетом фактора времени. Если требуется доказать, на каком основании этот контакт был выдан в ответе, необходимы ссылки на первоисточники или неизменяемые версии (immutable versions). А если данные одного клиента ни в коем случае не должны попасть в сессию другого, многопользовательская изоляция (tenancy) становится неотъемлемой частью памяти, а не второстепенной надстройкой.

Прямое следствие для бюджета — цена перезагрузки контекста (context reload bill): токены на повторную отправку старых материалов, время сотрудников на составление повторных брифов и ошибки из-за устаревших или противоречивых вводных. Perplexity иллюстрирует масштаб этой проблемы: в отчете о запуске Brain указано, что задачи Computer, требующие исторического контекста, с Brain стоили на 13% дешевле, показав при этом прирост точности ответов на 25% и полноты выборки на 16%. Это данные разработчика на базе собственного продукта, а не независимый бенчмарк, однако они отражают верную экономическую цель: меньше повторных вызовов и дублирующего контекста при растущем качестве ответов.

Сильнейшие системы решают эту задачу через разные механизмы:

• Селективный поиск (selective retrieval): возвращает небольшой релевантный фрагмент вместо отправки всей истории переписки.
• Консолидация: объединяет дубликаты и агрегирует повторяющиеся паттерны в компактную рабочую модель.
• Темпоральный анализ (temporal reasoning): четко разделяет то, что было правдой раньше, и то, что актуально прямо сейчас.
• Коррекция: дает пользователю или хост-приложению возможность исправить искаженные воспоминания до того, как они породят каскад ошибок.
• Происхождение данных (provenance): делает каждое утверждение проверяемым, а не просто правдоподобно сформулированным.
• Изоляция окружений (tenant controls): ограничивает память рамками конкретного пользователя, проекта, агента или организации.

Именно поэтому векторная база данных сама по себе не решает проблему памяти целиком. Она способна хранить эмбеддинги и находить похожие фрагменты текста. Но она не знает, был ли факт перезаписан более свежими данными, должно ли исправление удалить старое наблюдение, пора ли удалить устаревший источник и кому принадлежит предпочтение — пользователю, агенту, сессии или всей компании. Системы уровня Hindsight, Zep, Mem0, Supermemory и Cognee накладывают на поиск правила и структуру. Файловые хранилища вроде Claude memory stores и репозиториев Letta предлагают другой подход — прозрачную инспекцию состояния через привычную файловую логику.

Границы системы важнее протокола интерфейса. Perplexity Brain хранит контекст работы внутри среды Computer; это не открытый API для вашего SaaS-сервиса. Хранилища Claude Managed Agents сохраняют небольшие документы внутри собственной инфраструктуры Anthropic; это не автоматический граф знаний. Mem0 и Supermemory работают как прикладные сервисы, оставляя за вами логику записи, поиска и очистки. Cognee и Graphiti дают больше контроля над данными, но перекладывают на вас заботу об инфраструктуре.

Здесь же проходит водораздел между памятью и навыками агента. Навык (skill) — это постоянная инструкция о том, как выполнять работу; память — это накопленные знания о том, что произошло, что изменилось и что важно сейчас. Это различие имеет ключевое значение при выборе между постоянными навыками агентов и накопленным контекстом. Стабильные регламенты фиксируются в навыках или системном промпте. Новые требования конкретного клиента отправляются в память. Их смешивание усложняет аудит системы.

Расчет затрат перед выбором решения

Тарифы на хранение памяти кажутся сопоставимыми ровно до тех пор, пока вы не посмотрите на единицу тарификации. Один провайдер берет плату за входящие сохраненные токены, другой — за уникальные обработанные токены, третий — за объем пропущенных данных, четвертый — за небольшие кванты-эпизоды (Episodes). Простое сравнение цены за миллион токенов без учета этих определений дает ложное представление о расходах.

Возьмем для примера задачу индексации 10 миллионов токенов:

• Hindsight возьмет $100 за операцию Retain для 10 миллионов входных токенов по тарифу $10 за миллион. Если все 10 миллионов останутся в базе дольше 30-дневного льготного периода, хранение добавит $2.50 в месяц. Поиск и выгрузка (Recall) 10 миллионов токенов на выходе обойдутся в $7.50, хотя при правильной архитектуре объем поиска должен быть на порядки меньше объема входящей базы.
• Supermemory возьмет $50 за 10 миллионов уникальных текстовых SM-токенов в графе памяти по тарифу $0.005 за 1,000. Для медиа и сложного контента сумма составит $100. Важный нюанс — тарифицируются только уникальные токены: повторы и неизмененные данные повторно не оплачиваются.
• Cognee Standard потребует $25 за обработку 10 миллионов токенов по ставке $2.50 за миллион. Три дополнительных рабочих пространства (workspaces) добавят еще $15, формируя итоговую расчетную сумму в $40 в месяц при таком объеме.

Эти цифры не означают, что Cognee в четыре раза выгоднее Hindsight. Операция Retain в Hindsight запускает процесс глубокого извлечения фактов и связей; Supermemory считает свои дедуплицированные токены; Cognee тарифицирует объем данных, пропущенных через движок. Это три разных метрики под совершенно разные профили нагрузки.

В Zep границы перехода между тарифами предельно прозрачны. Тариф Flex стоит $125 и включает 50,000 кредитов, а каждые дополнительные 10,000 кредитов стоят $25. Десять пакетов расширения поднимут ежемесячный счет до $375 при объеме 150,000 кредитов. Тариф Flex Plus изначально стоит $375, но включает уже 200,000 кредитов. Если ваш прогноз превышает 150,000 кредитов в месяц, переход на Flex Plus становится финансово выгоднее еще до учета повышенных лимитов и увеличенного срока переноса остатка. При 160,000 кредитов Flex обойдется в $400, тогда как Flex Plus останется на уровне $375.

Экономика Perplexity привязана к рабочим местам пользователей, а не к вызовам API. Потребительский план Max стоит $200 в месяц или $2,000 в год. Десять лицензий при помесячной оплате обойдутся в $24,000 в год против $20,000 при годовой подписке — чистая разница в $4,000 в год. Enterprise Max стоит $325 за место в месяц или $3,250 в год, что дает экономию в $6,500 в год на 10 сотрудников при оплате за год. Оформлять годовую подписку имеет смысл только после подтверждения на практике, что Brain действительно экономит достаточно времени сотрудников.

В Claude действует иной механизм формирования затрат. Использование модели Sonnet 5 стоит $2 за миллион входных токенов и $10 за миллион выходных. Сценарий с 10 миллионами входных токенов и 1 миллионом выходных токенов обходится в $30 без учета стоимости инфраструктуры. Если вы отправляете объемный документ на 100,000 токенов в начале 100 сессий, это генерирует 10 миллионов входных токенов — те самые $20 по базовому тарифу без учета кэширования. Файловое хранилище не делает чтение бесплатным, но позволяет агенту открывать точечные файлы вместо принудительной загрузки всего массива контекста в каждый промпт.

Главный вопрос планирования бюджета звучит так: «Что именно является единицей сохраняемой памяти в нашем случае, как часто она будет записываться и читаться, и во сколько обойдется исправление ошибки?». Рассчитывайте стоимость записи, выборки, длительного хранения, обращений к моделям ИИ и ручной верификации по отдельности. Затем прибавьте наценку за управляемый сервис или рабочие часы инженеров на поддержку собственного стека.

Методология отбора инструментов

В этот список вошли девять систем: каждая из них предлагает готовый механизм долговременного хранения данных и решает четкую бизнес-задачу. Отбор проводился по шести ключевым критериям:

1. Границы персистентности: сохраняются ли данные после перезапуска процесса, открытия новой сессии, смены используемой нейросети или переразвертывания приложения? Кто физически владеет этими данными?
2. Качество выборки: умеет ли система комбинировать семантический, лексический, графовый и темпоральный поиск, или она ограничена простым поиском ближайших соседей (k-NN)?
3. Коррекция и происхождение данных: можно ли проверить, на основе какого источника сформировано воспоминание, безопасно отредактировать его, отследить историю версий и удалить без следа?
4. Изоляция и контроль доступа: реализовано ли разделение пользователей, проектов, агентов и организаций? Есть ли возможность self-hosted развертывания, использования собственного облака (BYOC) или режима read-only?
5. Операционные трудозатраты: сколько сил команде придется потратить на разработку механизмов извлечения, консолидации, тестирования, мониторинга, хранения и защиты данных?
6. Структура тарификации: берется ли оплата за рабочие места, сетевые запросы, токены, эпизоды, время хранения данных, типы операций или вычислительные мощности?

Все тарифы, лимиты и заявленные технические параметры были сверены с официальной документацией, репозиториями и страницами цен на 28 августа 2026 года. В рамках подготовки этого материала системы не тестировались на стендах вручную, поэтому в заголовке отсутствует слово «тест». Данные бенчмарков указаны исключительно со ссылкой на первоисточники разработчиков.

Критерии исключения были строгими. Обычные векторные базы данных были исключены, так как хранение эмбеддингов и поиск по сходству не обеспечивают полного жизненного цикла памяти. Стандартные агентские фреймворки без встроенного постоянного слоя хранения также не вошли в список. Пользовательская память потребительских чат-ботов была исключена, за исключением Perplexity Brain, представляющего собой полноценную среду для агентских рабочих процессов.

Рейтинг ориентирован на практическую пользу при принятии решений, а не на формальную чистоту категорий. Perplexity Brain и Letta технологически не заменяют API Mem0, но они отвечают на один и тот же бизнес-вопрос: писать собственный слой памяти, использовать решение внутри рабочей среды или положиться на платформу выполнения агентов со встроенным хранением.

1. Mem0: лучший универсальный API памяти для продуктовых команд

Mem0 — это оптимальный выбор по умолчанию, когда продуктовой команде требуется память между сессиями без необходимости строить сложный темпоральный граф или привязываться к проприетарной платформе одного вендора. Агент службы поддержки может изолировать контекст по пользователю и сессии, подтягивать релевантные настройки перед ответом, обновлять их или задавать срок жизни (TTL). В облачной платформе реализованы механизмы консолидации и ранжирования с учетом времени, которых нет в открытой версии. Главное препятствие — разрыв в тарифах: тариф Starter за $19 предлагает скромные лимиты, а продвинутые функции для продакшена открываются только на плане Pro за $249.

Облачная и open-source версии Mem0 имеют общий набор базовых операций: add, search, get, list, update, delete, delete-all и history. Обе поддерживают разграничение по user_id, agent_id и run_id, учет сущностей при ранжировании, мультимодальный ввод, угасание памяти (expiration), реранкинг, кастомные инструкции для парсинга, SDK для Python и JavaScript, а также REST API. Это гарантирует, что открытая версия — не просто маркетинговая демка, а реальный путь для миграции в собственный контур.

Официальное сравнение Platform и OSS открыто демонстрирует различия. Облачная платформа включает изоляцию по app_id, поддержку организаций и проектов, единую ленту событий проекта, нативный Graph Memory, механизмы Memory Decay, Temporal Reasoning и фоновую консолидацию Dream. В нее также встроены вебхуки, система категорий, выгрузка по схемам, сбор обратной связи, генерация резюме и пакетные операции обновления или удаления до 1,000 записей за раз.

В версии OSS v3 этих возможностей нет. В ней отсутствуют доступный для запросов Graph Memory, Memory Decay, Temporal Reasoning, Dream, вебхуки, лента событий проекта, экспорт данных, встроенная система обратной связи, саммаризация и пакетная обработка. Собрать надежное решение на базе open source возможно, но векторное хранилище, модели нейросетей, генерацию эмбеддингов, инфраструктуру и недостающие правила логики придется настраивать и поддерживать самостоятельно.

Лучшее применение: продуктовые команды, внедряющие память пользователей, агентов и сессий в SaaS или внутренние сервисы.
Главная особенность: единый базовый API в облачной и self-hosted версиях, с возможностью подключения графа, механизма затухания фактов и консолидации при необходимости.
Цены: Hobby — бесплатный тариф с 10,000 добавлений, 1,000 поисковых запросов и 1 проектом в месяц. Starter — $19/месяц за 50,000 добавлений, 5,000 поисков и 1 проект. Pro — $249/месяц за 500,000 добавлений, 50,000 поисков, неограниченное число проектов, Graph Memory, Dream, аналитику и закрытый канал в Slack. Enterprise — индивидуальный расчет с неограниченными ресурсами, SLA, on-premise развертыванием, аудит-логами, SSO и интеграциями. Цены проверены 28 августа 2026 года на странице тарифов Mem0.
Бесплатный доступ: тариф Hobby бесплатен и не требует привязки банковской карты; open-source версия доступна для самостоятельного развертывания.

Практическая схема внедрения Mem0

Надежнее начинать с узкой задачи, а не с попытки «запомнить вообще все». Выберите один тип данных, сохраняйте исходный текст и временные метки, после чего оцените, насколько селективная выборка улучшает конкретный процесс.

1. 1

   Сформулируйте контракт памяти

   Начните с одного типа сущностей: утвержденные предпочтения клиента, зафиксированные ограничения аккаунта или правила оформления кода. Четко определите, что подлежит сохранению, кто является владельцем записи, когда истекает ее срок действия и какие данные сохранять запрещено.

2. 2

   Изолируйте каждую операцию записи

   Обязательно передавайте корректные идентификаторы пользователя, агента и сессии при добавлении записи. Используйте облачный app_id только при реальной необходимости изоляции на уровне приложений. Отсутствие меток изоляции — это критическая архитектурная уязвимость, а не технический долг на потом.

3. 3

   Делайте выборку непосредственно перед вызовом модели

   Запрашивайте память непосредственно перед шагом принятия решения, передавая в контекст нейросети только минимальный релевантный фрагмент. Не добавляйте всю историю памяти во все системные промпты.

4. 4

   Настройте сценарии исправления и удаления

   Предусмотрите в приложении прозрачный механизм редактирования, ручного удаления или автоматического устаревания недостоверных фактов. В облачной платформе используйте фидбек и ленту событий для контроля качества, а в open-source версии реализуйте этот мониторинг своими силами.

5. 5

   Масштабируйте тариф только при объективной необходимости

   Оставайтесь на тарифах Hobby или Starter до тех пор, пока лимиты запросов, требования к изоляции проектов или потребность в фоновой консолидации Dream не станут реальным техническим ограничением. Переход на Pro за дополнительные $230 в месяц должен быть обоснован требованиями конкретной нагрузки, а не формальным статусом выхода в прод.

Итог: Mem0 — это самый надежный базовый выбор, но именно продвинутые функции управления памятью превращают недорогой тест за $19 в платформенное решение за $249 в месяц. Если вам нужно хранить лишь базовые настройки, хватит Starter или открытой версии. Если важны актуальность во времени, автоматическая консолидация и графовый поиск, сравните план Pro с возможностями Hindsight и Zep перед принятием решения.

2. Perplexity Brain: лучшая рабочая память без разработки

Perplexity Brain — оптимальный вариант, когда рабочие задачи команды уже выполняются внутри Perplexity Computer и бизнесу требуется сохранение контекста без привлечения собственных инженеров. Руководитель направления может вернуться к проекту спустя недели: среда Computer сама восстановит принятые решения, документы, участников, правки и текущие задачи. Brain фоново обновляет рабочую модель и прикрепляет к каждому факту прямые ссылки на первоисточники. Главный минус — отсутствие переносимости: инструмент доступен в статусе Research Preview только внутри дорогих планов Max и не имеет публичного API для внешних продуктов.

Brain запущен 18 июня 2026 года как самообучающаяся система памяти для Computer. Согласно анонсу релиза, система выстраивает граф контекста на основе действий в Computer и периодически (например, ночью) обновляет внутреннюю базу знаний. Источниками служат диалоги, данные подключенных коннекторов, артефакты, изменения в документах и правки пользователя. Это полноценная операционная память для интеллектуальной работы, а не просто блок пользовательских настроек в интерфейсе чата.

В документации Brain описаны ключевые механизмы контроля данных. Каждый элемент содержит ссылку на исходный документ или сессию. Концепции, сущности и направления работы структурируются в виде интерактивной базы знаний и графа. Пользователь может вручную скорректировать или удалить запись, и это исправление учтется при следующей фоновой итерации. Brain закрепляет актуальные факты, перезаписывает изменившиеся данные и помечает устаревшие сведения.

Конфиденциальность обеспечивается на уровне архитектуры платформы. Brain обучается исключительно на действиях конкретного пользователя и игнорирует приватные сессии (incognito). Систему можно полностью отключить в настройках, а в Enterprise-тарифах администраторы могут централизованно деактивировать ее для сотрудников. Perplexity заявляет об использовании ИИ-фильтрации для предотвращения попадания паролей и чувствительных данных в память, а данные клиентов Enterprise не используются для дообучения моделей. Однако программная фильтрация лишь снижает риск и не отменяет базового правила: критические секреты не должны попадать в исходные файлы.

Заявленные показатели эффективности требуют взвешенной оценки. По данным Perplexity, на типовых повторяющихся задачах Computer система Brain показала повышение точности на 25%, рост полноты выборки на 16% и снижение затрат на 13% при работе с историческим контекстом. Методология тестирования и тестовый датасет не раскрываются, поэтому эти данные стоит воспринимать как сильный показатель внутри конкретного продукта, а не как доказательство превосходства над специализированными API.

Лучшее применение: руководители, аналитики и проектные команды, регулярно ведущие аналитическую работу в Perplexity Computer.
Главная особенность: фоновая сборка рабочей памяти, объединяющая сессии, файлы, коннекторы, результаты работы и исправления со ссылками на первоисточники.
Цены: Brain доступен в режиме Research Preview на тарифах Consumer Max ($200/месяц или $2,000/год) и Enterprise Max ($325 за место/месяц или $3,250 за место/год). Тариф Enterprise Pro стоит $40 за место/месяц ($400/год), но не включает доступ к Brain. Consumer Max содержит 10,000 кредитов Computer в месяц; Enterprise Max — 15,000; неиспользованные кредиты сгорают в конце месяца. Цены проверены 28 августа 2026 года по описанию планов Perplexity, разделу Enterprise и правилам списания кредитов.
Бесплатный доступ: пробный период на Enterprise Pro и Enterprise Max отсутствует; для работы с Brain требуется платная подписка Max.

Отдельная статья планирования — владение проектами. В Perplexity фоновые вызовы Brain в проектах списываются со счета создателя проекта, даже если в нем работают другие приглашенные участники. Для совместных аналитических пространств важно сразу назначить ответственного владельца, определить режим запусков (ручной или автоматический) и контролировать расход кредитов до подключения широкого круга коллег.

Экономия при годовой оплате существенна, но оправдана только при стабильном использовании. Десять лицензий Consumer Max экономят $4,000 в год при единовременной оплате. Десять мест Enterprise Max экономят $6,500. Перед оформлением годового контракта обязательно проведите месячный пилот: убедитесь, что команда действительно регулярно возвращается к прошлым задачам, вносит меньше исправлений и тратит меньше кредитов на ручное погружение агента в контекст.

Итог: Perplexity Brain — это самый быстрый путь от постоянной потери контекста к прозрачной рабочей памяти со ссылками на источники, но вы покупаете готовую рабочую среду, а не переносимый слой хранения. Выбирайте его, если основной инструмент работы — Computer. Откажитесь от него, если память должна принадлежать вашей платформе, архитектуре данных или собственным алгоритмам маршрутизации моделей.

3. Hindsight: лучший выбор для глубокого анализа во времени и рефлексии

Hindsight демонстрирует максимум возможностей в сценариях, где от памяти требуется не просто извлечь похожую цитату, а сопоставить факты между собой. Исследовательский агент может сохранять структурированные выводы с привязкой к датам, связывать персоналии и компании, синтезировать наблюдения и отслеживать, что изменилось между событиями. Механизм поиска TEMPR объединяет сразу четыре сигнала вместо слепой ставки на эмбеддинги. Минусы — сложная структура биллинга и более строгая архитектурная модель по сравнению с базовыми хранилищами настроек.

Hindsight делит цикл управления памятью на три ключевые операции. Retain извлекает факты, сущности и временные маркеры в банк памяти. Recall находит нужные данные через несколько параллельных стратегий поиска. Reflect запускает логический анализ накопленного массива фактов с учетом глобальной миссии, инструкций и установок банка памяти. Такое разделение логично: первичное сохранение, оперативный поиск и высокоуровневый анализ кардинально отличаются по требованиям к задержке и затратам на вызовы нейросетей.

Иерархия данных здесь строго структурирована. На нижнем уровне находятся сырые факты о внешнем мире и событиях (Raw facts / Experience facts). Уровень выше занимают наблюдения (Observations), обобщающие повторяющиеся паттерны с опорой на источники. На вершине находятся ментальные модели (Mental Models) — готовые экспертные сводки под типовые вопросы. При поиске Hindsight сначала опрашивает ментальные модели, затем наблюдения и лишь в конце обращается к сырым фактам, благодаря чему зрелая система отвечает на типовые запросы без повторного дорогостоящего анализа всей базы.

Аббревиатура TEMPR обозначает четыре совмещенных вектора поиска: семантическое сходство, лексический поиск BM25, проход по графовым связям и темпоральный анализ (учет времени). Точные артикулы и имена идеально находятся по ключевым словам, связи между проектами — через граф, а запросы вида «что изменилось за последний месяц?» требуют темпорального механизма. Эта связка делает Hindsight на порядок мощнее простых надстроек над векторными базами.

Официальные результаты тестов заслуживают внимания, но требуют критической оценки. В отчете по тестам BEAM Hindsight заявляет результат 64.1% на объеме в 10 миллионов токенов против 40.6% у ближайшего конкурента, а также 73.9% на 1 миллионе и 71.1% на 500,000 токенов. Разработчики оценивают свое преимущество на 10 миллионах токенов в 58%. Рейтинг открыт, но эти тесты не воспроизводились независимо для данного обзора, поэтому относитесь к ним как к показателям вендора, требующим проверки на ваших данных.

Лучшее применение: аналитические исследования, сбор корпоративной информации, персональные ассистенты и длительные процессы, где критичны время, разрешение противоречий и рефлексия.
Главная особенность: поиск TEMPR в сочетании с иерархией, превращающей разрозненные факты в подтвержденные наблюдения и готовые ментальные модели.
Цены: self-hosted версия доступна без лицензионных отчислений. Облачный Hindsight Cloud (Pay-As-You-Go): операция Retain — $10/MTok входных данных, Recall — $0.75/MTok выходных данных, Reflect — $0.05 за вызов, Retrieve Model — $0.25/MTok на выходе, Refresh Model — $0.05 за вызов, конвертация файлов через Iris — $7.50/MTok на выходе, хранение данных старше 30 дней — $0.25/MTok в месяц. Пакеты кредитов доступны по $10, $25, $50 или $100 (произвольный номинал от $5 до $1,000; 1 кредит = $1). Для тарифа Enterprise предусмотрена оплата по счетам со скидками за объем. Тарифы проверены 28 августа 2026 года по странице биллинга Hindsight.
Бесплатный доступ: открытая версия для self-hosted полностью бесплатна; в облаке действует модель Pay-As-You-Go без фиксированного бесплатного периода.

Изменение тарифной сетки от 6 июля 2026 года делает старые обзоры неактуальными. Цена Retain была снижена с $15 до $10 за миллион входных токенов. Операции Reflect и Refresh Model перешли с покликовой оплаты токенов на фиксированную ставку $0.05 за вызов. Для данных старше 30 дней введена отдельная строка: $0.25 за миллион токенов в месяц. Любые финансовые модели, составленные весной 2026 года, требуют пересчета.

Для базы документов объемом 10 миллионов токенов первичная запись (Retain) обойдется в $100, а долгосрочное хранение после льготного периода потребует $2.50 в месяц. Сотня вызовов Reflect добавит $5. Это делает аналитическую обработку относительно недорогой по сравнению с первичной загрузкой, однако частая повторная заливка данных быстро увеличит расходы. Очищайте документы от дублей до вызова Retain, чтобы не переплачивать за нормализацию мусорного трафика.

Итог: Hindsight полностью оправдывает свою сложность, когда результат зависит от сопоставления фактов во времени и логических выводов; но он избыточен для чат-бота, которому нужно лишь помнить имя пользователя и стиль общения. Выбирайте его только тогда, когда на тестах доказано, что темпоральный поиск и рефлексия напрямую влияют на точность решений вашего агента.

4. Zep and Graphiti: лучший управляемый темпоральный граф знаний

Zep представляет собой готовый облачный сервис для команд, которым требуется темпоральный граф знаний с корпоративным уровнем безопасности и контроля, тогда как Graphiti выступает open-source ядром для тех, кто готов развертывать окружение самостоятельно. Агент по работе с клиентами может фиксировать изменения в компании в виде датированных фактов, аннулировать устаревшие условия и мгновенно извлекать взаимосвязанный контекст без потери хронологии. Zep добавляет поверх этого графа управление пользователями, тредами, логирование, разграничение прав, правила хранения и автоматическое масштабирование. Минусы — тарификация входящих данных в кредитах и высокий порог входа на первый платный тариф ($125 в месяц).

В официальном сравнении Zep и Graphiti граница между продуктами проведена предельно четко. Graphiti строит граф контекста (Context Graph) по каждому объекту и может работать с Neo4j, FalkorDB или Amazon Neptune. Он поддерживает битемпоральную модель данных, аннулирует потерявшие актуальность факты и совмещает векторный, полнотекстовый и графовый поиск. Это мощная база, но настройка серверов, изоляция клиентов, мониторинг, безопасность и оптимизация производительности полностью ложатся на вас.

Zep запускает Graphiti внутри управляемого озера контекста (Context Lake), дополняя его фирменными алгоритмами извлечения фактов, генерацией наблюдений, ранжированием, собственными эмбеддингами, хранилищем пользователей и диалогов, визуализацией графа, а также логами отладки и API. Безопасность включает RBAC для сотрудников, ABAC для агентов, аудит, правила хранения, физическую изоляцию данных и шифрование ключами клиента. Доступны облачные варианты развертывания, схемы BYOK и BYOC на тарифе Enterprise. Разработчики заявляют задержку поиска менее 200 мс под нагрузкой — этот параметр стоит проверить на вашем графе и в вашем регионе.

Единицей учета в Zep является эпизод (Episode) — сообщение чата, JSON-объект или текстовый фрагмент. Один эпизод размером до 350 байт расходует 1 кредит; каждые последующие 350 байт (в том числе неполные) добавляют еще по 1 кредиту. Вебхуки стоят 1/8 кредита. Поисковые запросы, долговременное хранилище, треды, профили пользователей и сам граф не расходуют кредиты. Это переносит основные переменные расходы исключительно на этап добавления и обработки информации, делая чтение фактически бесплатным.

Лучшее применение: enterprise-решения и быстрорастущие агентские платформы, где критически важны изменение фактов во времени, поиск по графу связей и жесткий контроль доступа.
Главная особенность: ядро в виде темпорального графа с возможностью перехода от open source к облаку и развитыми механизмами разграничения прав доступа.
Цены: Free включает 10,000 кредитов/месяц, 2 проекта, 1 место Memory MCP Server и 5 кастомных типов сущностей/связей (без переноса остатка и без автопополнения). Flex — $125/месяц за 50,000 кредитов ($25 за каждые дополнительные 10,000), перенос остатка на 30 дней и 5 проектов. Flex Plus — $375/месяц за 200,000 кредитов ($75 за каждые 40,000), перенос на 60 дней и 10 проектов. Enterprise — индивидуальные условия, гарантированный SLA, безлимитные проекты, хранение логов 1 год, поддержка вариантов в облаке, BYOK или BYOC. Цены проверены 28 августа 2026 года на странице тарифов Zep.
Бесплатный доступ: тариф Free предоставляет 10,000 кредитов в месяц, но имеет плавающие лимиты скорости (rate limits), сниженный приоритет обработки и не поддерживает перенос неиспользованных кредитов.

Точный расчет затрат нужно строить на байтах, а не на количестве диалогов. Официальный калькулятор Zep приводит пример: 15,000 эпизодов средним размером 700 байт расходуют 30,000 кредитов, а 20,000 вызовов вебхуков добавляют еще 2,500 кредитов. Итоговый объем в 32,500 кредитов укладывается в тариф Flex. Если же ваше приложение передает раздутые текстовые логи там, где хватило бы короткого события, расходы на запись могут вырасти в два-три раза без какой-либо пользы для качества памяти.

Экономический порог смены тарифа находится на отметке чуть выше 150,000 кредитов. Тариф Flex с десятью дополнительными пакетами обойдется в те же $375, что и Flex Plus, но даст лимит всего в 150,000 кредитов. При нагрузке в 160,000 кредитов Flex будет стоить уже $400, тогда как Flex Plus останется на уровне $375, имея при этом запас еще в 40,000 кредитов. Это четкая граница для финансового планирования.

Итог: Graphiti создан для разработчиков, желающих полностью контролировать темпоральный граф; Zep — для организаций, которым требуется готовая корпоративная безопасность и управляемость. Если ваша задача сводится к хранению простых предпочтений клиентов, граф и минимальный тариф в $125 будут избыточными. Но если точность выводов зависит от динамических связей во времени, а служба безопасности требует прозрачного аудита, стоимость Zep полностью себя окупает.

5. Supermemory: лучший мультимодальный контекст и коннекторы

Supermemory — это оптимальное решение, если агенту требуется объединить в единый контекстный слой диалоги, документы, профили пользователей и данные из корпоративных сервисов. Персональный ассистент может принять входящий диалог, сопоставить его с внутренним регламентом компании, а затем быстро выдать точную цитату и обновленный профиль клиента. За счет дедупликации неизмененные фрагменты документов не тарифицируются повторно по метрике SM-токенов. Минус — итоговая стоимость складывается из базовой подписки, набора коннекторов, платы за ускоренную обработку и командных доступов.

В быстром старте Supermemory описаны три формата выборки поверх одного тега контейнера (containerTag). Поиск по документам возвращает исходные фрагменты для RAG. Поиск по памяти проходит по извлеченным фактам и графовым связям. Профиль выдает агрегированную и актуальную сводку данных, которую можно внедрить в промпт без сканирования всей базы. Это позволяет гибко запрашивать конкретные доказательства, воспоминания или краткую выжимку под текущий шаг агента.

Индексация выполняется асинхронно. Базовый режим динамического анализа (dynamic dreaming) объединяет связанные документы в пакеты, формируя структурированную память на основе целостного контекста. Мгновенный режим (instant dreaming) обрабатывает данные сразу по завершении индексации, но требует списания одной дополнительной операции за каждый документ. Мгновенный режим удобен для отладки и процессов, где задержка недопустима, но его постоянное использование для мелких записей неоправданно раздувает счет за операции.

Изоляция окружений строится на тегах и ключах. Идентификатор containerTag должен жестко сопровождать пользователя или организацию при любых операциях записи и чтения. Ограниченные API-ключи (scoped API keys) позволяют привязать ключ к единственному контейнеру, запрещая доступ к биллингу, настройкам профиля и генерации других ключей. Это удобно для делегированных воркеров, хотя управление жизненным циклом и ротацией этих ключей остается на стороне разработчика.

Модель тарификации выгодна для синхронизируемых источников. Токены SM — это уникальные токены, которые сервис фактически извлек и перевел в эмбеддинги. Повторная загрузка файла или синхронизация неизмененных данных не приводит к повторному списанию. Запись в граф памяти обычного текста стоит $0.005 за 1,000 SM-токенов, медиаконтента — $0.010. Поиск SuperRAG обходится в $0.001 за 1,000 текстовых токенов ($0.002 для медиа). Поиск с обходом графа тарифицируется по $0.005 за 1,000 запросов, а операции с памятью — по $0.10 за 1,000 действий.

Лучшее применение: агенты, объединяющие контекст диалогов, документы, медиафайлы, профили клиентов и данные из внешних SaaS-коннекторов.
Главная особенность: три режима выборки в рамках единого контейнера, учет только уникальных токенов и готовые интеграции с внешними источниками.
Цены: Free — $0/месяц, включено около $5 баланса. Pro — $19/месяц (включено $20 баланса, безлимитное хранилище и пользователи, 2 места в команде, коннекторы к Google Drive, Notion и OneDrive). Max — $100/месяц ($130 баланса, добавляются Gmail и Granola). Scale — $399/месяц (~$600 баланса, до 10 мест в команде, все коннекторы включая GitHub, S3 и Web Crawler, лимиты расходов, сертификация SOC 2, HIPAA BAA и опция self-hosted). Enterprise — цена по запросу, поддержка полностью изолированного контура (air-gapped). Расценки на операции указаны выше. Цены проверены 28 августа 2026 года на странице тарифов Supermemory.
Бесплатный доступ: тариф Free включает эквивалент $5 баланса в месяц без привязки банковской карты; стартапы и исследователи могут подать заявку на 3 бесплатных месяца тарифа Scale.

При текущих расценках запись 10 миллионов уникальных текстовых SM-токенов в граф памяти стоит $50; для медиафайлов сумма составит $100. Это кажется незначительным на фоне стоимости генераций самих нейросетей, но поток мелких записей в режиме instant dreaming может быстро увеличить расходы по строке операций. Разделяйте оценку объема токенов и количества документов: миллион токенов в десяти файлах и тот же миллион в десяти тысячах мелких событий — это совершенно разная стоимость обработки.

Лимиты подписки сгорают ежемесячно, а отдельно купленные пакеты пополнения не имеют срока давности. На тарифе Free работа блокируется при нулевом балансе, тогда как на платных тарифах включается автопополнение; на Scale доступны жесткие лимиты бюджета. Надежная архитектура предполагает использование постоянного customId для обновляемых данных, фонового dynamic dreaming для штатных задач, мгновенного режима только для критичных операций и обязательную установку лимита расходов.

Итог: Supermemory — это решение для масштабной индексации разнородного контекста, а не минималистичный API памяти. Выбирайте его, когда ключевая ценность агента строится на объединении файлов, сторонних сервисов, пользовательских профилей и регулярной синхронизации. Откажитесь от него, если ваши данные состоят из коротких текстовых заметок, с которыми проще справится компактный API или собственная база данных.

6. Cognee: лучший открытый движок знаний для команд с моделью BYOC

Cognee представляет собой лучший открытый движок для команд, которым требуется представление памяти одновременно в графовом, векторном и реляционном форматах. Агент для научных или корпоративных исследований может структурировать входящие документы, извлекать онтологию связей, актуализировать устаревшие данные и выполнять точный поиск по графу или тексту с сохранением ссылок на первоисточники. Локальный старт на встроенных базах предельно прост. Обратная сторона — архитектурная сложность: полноценный движок знаний требует принятия решений по схемам данных, моделям, типам СУБД и метрикам оценки, что избыточно для простого сохранения настроек.

Пайплайн управления памятью в Cognee состоит из четырех этапов. Метод add загружает исходные материалы. Метод cognify запускает цепочку из шести шагов: классификация документов, валидация прав, нарезка на чанки, извлечение сущностей и связей с помощью нейросети, генерация кратких сводок, создание эмбеддингов и запись связей в граф. Метод memify удаляет устаревшие узлы, усиливает часто используемые связи, пересчитывает веса ребер и формирует производные факты. Метод search выполняет поиск по полученной структуре.

Архитектура хранилища объясняет название «движок знаний». Cognee одновременно опирается на графовую, векторную и реляционную базы данных. Локальные файловые базы по умолчанию — Kuzu, LanceDB и SQLite, поэтому прототип запускается без поднятия инфраструктурных кластеров. Для продакшена поддерживаются Neo4j, FalkorDB, Neptune, Qdrant, pgvector, Redis, DuckDB, Pinecone, ChromaDB и PostgreSQL.

Четырнадцать режимов выборки включают достроение графа (graph completion), работу с сырыми или лексическими чанками, саммаризацию, темпоральный поиск, запросы на Cypher, правила для кода и автоматический выбор режима. Это удобно, когда один массив знаний отвечает на разные типы вопросов. Но это возлагает дополнительную нагрузку на инженеров: команда должна протестировать, какой режим поиска выдает наилучший результат для каждого класса задач, а не надеяться на универсальность автоматического выбора.

Мультитенантность поддерживается в pgvector, Neo4j, Kuzu и LanceDB. Это критично, поскольку изоляция памяти может нарушиться на уровне ниже логики агента. Корректный ID пользователя в промпте бесполезен, если поисковый запрос уходит в общий, неизолированный граф. Тесты на проникновение должны проверять операции записи, чтения, удаления и генерации производных фактов на всех выбранных бэкендах.

Лучшее применение: команды, проектирующие доменные базы знаний, использующие модель BYOC или связывающие строгие онтологии с памятью ИИ-агентов.
Главная особенность: понятный жизненный цикл add -> cognify -> memify -> search поверх комбинации графового, векторного и реляционного хранилищ.
Цены: Free — $0/месяц за 1 миллион токенов, 1 рабочее пространство, безлимит пользователей и доступ к API без карты. Standard — $2.50 за 1 миллион обработанных токенов плюс $5 за каждое дополнительное рабочее пространство (включены коннекторы к Slack, Notion, Linear и Google Drive). Enterprise рассчитывается индивидуально — это контракт в формате BYOC (варианты для стартапов, на 6, 12 или 24 месяца) с развертыванием в облаке клиента, персональной поддержкой и SLA. Версия Open Source доступна для бесплатного self-hosted использования. Цены проверены 28 августа 2026 года на странице тарифов Cognee.
Бесплатный доступ: тариф Free действует на постоянной основе без привязки карты; open-source движок открыт для локальной установки.

Экономика облачной версии выгодна при умеренных объемах данных. Десять миллионов обработанных токенов на Standard обойдутся в $25. Три дополнительных рабочих пространства добавят еще $15, формируя расчетные $40 в месяц. В эту сумму не входят счета от провайдеров базовых нейросетей, фонд оплаты труда инженеров и инфраструктура для собственного бэкенда. Низкая цена за объем токенов в Cognee не равна совокупной стоимости владения системой (TCO).

Сигнал к выбору Cognee — задача, завязанная на онтологию. Если агент постоянно решает многоходовки (например, выясняет, какой поставщик влияет на конкретный продукт и какие обязательства по договору изменились), структура Cognee оправдает затраты. Если же все полезные воспоминания — это пара строк предпочтений по ID пользователя, внедрение Mem0 или собственного хранилища даст результат быстрее.

Итог: Cognee — это движок структурирования знаний для команд, которым нужно управлять сложными связями, а не просто сохранять историю переписки. Выбирайте его, если построение графа и строгая изоляция данных в собственном контуре — изначальные требования проекта. Откажитесь от него, если ярлык «open source» используется лишь как попытка сэкономить $19 в месяц, но выделенного инженера на поддержку стека у вас нет.

7. Хранилища памяти Claude Managed Agents: лучшая проверяемая файловая память

Хранилища памяти Claude Managed Agents — лучший выбор, если агент уже развернут в управляемой инфраструктуре Anthropic, а постоянное состояние должно храниться в виде компактных, доступных для чтения версионируемых файлов. Финансовый агент может подключить хранилище с регламентами в режиме read-only рядом с проектным хранилищем в режиме read-write, внести правки в заметку о решении и оставить неизменяемую историю версий. Файловая модель понятна агенту при работе стандартными системными утилитами и прозрачна для аудита человеком. Минусы — статус публичной беты, жесткие лимиты на размеры объектов и отсутствие официально опубликованных расценок на само хранилище.

Сессии Managed Agents по умолчанию эфемерны. Хранилище памяти (memory store) представляет собой набор текстовых документов в рамках рабочего пространства, сохраняющийся между сессиями. При подключении через ресурсы сессии оно монтируется по пути /mnt/memory/<store-name>/, и агент работает с ним через стандартные команды чтения, записи, редактирования, поиска и shell, не требуя специализированного API для памяти.

Этот подход ближе к долговременным рабочим файлам, чем к абстрактной семантической памяти. Хост-система может предзагрузить в хранилище стандарты компании или контекст проекта. В сессии диск можно подключить в режиме только для чтения или для чтения и записи. Любые изменения сразу сохраняются в хранилище. Каждая мутация создает неизменяемую версию (immutable version) с записью операции, что обеспечивает аудит, откат к любой точке во времени и удаление конфиденциальных данных. Механизм оптимистичных блокировок защищает от случайной перезаписи свежих правок параллельными процессами.

Лимиты диктуют архитектуру. Размер одного документа не может превышать 100KB. К одной сессии разрешено подключать не более 8 хранилищ, причем подключение происходит строго в момент инициализации сессии. Архивация необратима: хранилище переходит в режим read-only, блокирует подключение к новым сессиям и не подлежит разархивации (хотя активные сессии сохраняют доступ). Эти ограничения подталкивают к созданию множества небольших тематических файлов вместо одного гигантского дампа.

Предупреждение о безопасности сформулировано жестко: никогда не сохраняйте в файлы памяти пароли, API-ключи или токены. Записанный контент в неизменном виде возвращается в контекст всех последующих сессий, подключивших это хранилище. Anthropic рекомендует использовать переменные окружения для секретов. Если секрет все же попал в файл, простого удаления документа недостаточно — потребуется очистка всех затронутых неизменяемых версий в истории.

Лучшее применение: агенты на платформе Anthropic Managed Agents, которым требуются доступные для ручного чтения документы проектов, регламенты или данные пользователей с полным аудитом изменений.
Главная особенность: монтирование привычной файловой системы, неизменяемые версии, возможность отката, удаление данных и гибкое разделение прав read-only / read-write.
Цены: отдельная стоимость хранилищ памяти в документации бета-версии не опубликована. Оплачивается потребление токенов моделей и время работы среды. Claude Sonnet 5 стоит $2/MTok входных данных и $10/MTok выходных; Claude Opus 4.8 — $5/MTok на входе и $25/MTok на выходе. Цены проверены 28 августа 2026 года по анонсу Anthropic Sonnet 5.
Бесплатный доступ: хранилища памяти находятся в статусе public beta с заголовком managed-agents-2026-04-01; отдельный бесплатный тариф или триал для хранилища не предусмотрены.

Экономия достигается за счет точечного доступа к файлам, а не за счет бесплатного хранения. При тарифах Sonnet 5 передача вводного документа на 100,000 токенов в 100 сессиях сгенерирует 10 миллионов входных токенов ($20 по базовой ставке без учета кэша). Подключенный диск позволяет агенту прочитать лишь один нужный файл, однако небрежные инструкции могут заставить его вычитывать все файлы подряд. Замеряйте число операций чтения в реальных сессиях до того, как закладывать экономию в финансовую модель.

Разделяйте сущность Агента и Хранилище памяти в архитектуре. В обзоре Managed Agents Anthropic указывает, что версионируемая конфигурация агента создается один раз и используется повторно в разных сессиях. Хранилище отвечает за накопленный рабочий контекст. Правка системного промпта должна порождать новую версию Агента; исправление клиентских данных — обновлять файл в хранилище. Это разделение позволяет быстро локализовать регрессии.

Итог: Хранилища памяти Claude — это превосходные аудируемые рабочие файлы с контролем версий, но не готовый когнитивный слой памяти. Выбирайте их, когда прозрачность файловой системы и надежный аудит важнее сложных абстракций. Если же объем информации растет и агент начинает путаться в структуре папок, поверх придется надстраивать слой семантического поиска.

8. Letta: лучшая переносимая память для coding-агентов

Letta — лучший выбор, если память и идентичность агента-программиста должны сохраняться независимо от смены используемой нейросети. Агент для работы с репозиторием может инициализировать память из контекста кодовой базы и прошлых сессий Claude Code или Codex, непрерывно уточнять правила в процессе работы, а затем переключиться на другую модель без потери накопленного опыта. Архитектура проекта открыта, платформонезависима и ориентирована на файлы. Минус — риски переходного периода: прямо сейчас Letta активно заменяет устаревшие серверные паттерны памяти, из-за чего сторонние туториалы мгновенно теряют актуальность.

Десктопное приложение Letta Code может запускаться с чистого листа или инициализировать память командой /init, анализируя текущий репозиторий и сессии Claude Code или Codex. Специальные субагенты памяти периодически пересматривают контекст, переписывают устаревшие записи и консолидируют знания. Команда /doctor выполняет аудит и реорганизацию накопленной базы. Регулярная очистка критична: память без своевременной обрезки неизбежно превращается в раздутый, непредсказуемый промпт.

Главная идея продукта — независимость от провайдеров. Letta отделяет память и идентичность агента от базовой модели нейросети: разработчик может менять модель прямо посреди рабочей сессии, сохраняя контекст, историю и стиль общения агента. Приложение поддерживает подключение собственных API-ключей или подписок на среды разработки. Доступны сборки под macOS, Windows и Linux, что делает его удобным локальным инструментом инженера.

Текущий вектор развития важнее старых концепций Letta. В стратегическом анонсе Letta описан переход от проприетарных инструментов редактирования БД к версионируемым через git файлам контекста под названием MemFS. Стандартные файловые утилиты заменяют устаревшие серверные функции управления памятью. Клиентские навыки (skills) и субагенты вытесняют жестко зашитые серверные сценарии. Память становится прозрачнее и мобильнее, но этот процесс требует адаптации кодовой базы.

Разработчики Letta прямо заявляют об отказе от старых серверных инструментов, а прежние шаблоны и старая файловая система выведены из эксплуатации к середине апреля 2026 года. Оценку системы для продакшена необходимо строить на базе актуального Letta Code и контекстных репозиториев, игнорируя старые примеры с вызовами вроде core_memory_replace. Этот переходный период необходимо учитывать при планировании.

Лучшее применение: агенты для написания кода и персональные ассистенты разработчиков, требующие независимой от моделей памяти, навыков и контекста задач.
Главная особенность: репозитории контекста на базе git в связке с субагентами оптимизации памяти, командами /init и /doctor в единой модельно-агностичной оболочке.
Цены: старт с Letta Code бесплатен при условии использования собственных API-ключей или поддерживаемых тарифов сред разработки; вызовы моделей и серверная инфраструктура оплачиваются отдельно. Официальная страница цен Letta на 28 августа 2026 года возвращала ошибку 404, поэтому фиксированные цены на облачную версию Letta Cloud не публикуются. В документации Letta предлагаются облачный сервис Letta Cloud и полностью автономный сервер приложений App Server.
Бесплатный доступ: бесплатный клиент и открытая серверная среда; подтвержденных данных о фиксированном триале в облаке на момент подготовки материала нет.

Экономическая целесообразность Letta максимальна там, где гибкость смены моделей критична для бизнеса. Если команда ежеквартально тестирует новые модели для генерации кода, сохранение накопленных правил, архитектурной карты проекта и выводов из прошлых задач экономит десятки часов на повторную адаптацию. Но если в компании стандартизирована одна платформа и требуются жесткие API изоляции клиентов, практичнее выбрать модель приложений Mem0 или рабочие пространства Claude.

Относитесь к контекстному репозиторию как к программному коду: просматривайте git diff, не допускайте утечки паролей, фиксируйте ответственных за апрув правок и определяйте, какие файлы агент может модифицировать автономно. История коммитов в git полезна для отладки, но сама по себе не заменяет политику удаления данных или разграничение доступа пользователей.

Итог: Letta — самое интересное решение для агентов-разработчиков, чья память должна пережить череду сменяющих друг друга моделей; однако масштабный рефакторинг платформы обязывает вас внимательно следить за версиями. Используйте новый файловый стек MemFS и избегайте архитектурных решений, завязанных на устаревшие серверные функции, которые Letta официально снимает с поддержки.

9. LangMem: лучшая библиотека управления памятью для LangGraph

LangMem — идеальный вариант для команд, разрабатывающих агентов на базе LangGraph и желающих реализовать собственную логику памяти без покупки сторонних облачных сервисов. Агент может записывать и искать факты непосредственно во время диалога, тогда как фоновый менеджер берет на себя извлечение и структурирование данных после завершения ответа. Ядро библиотеки совместимо с любыми хранилищами и нативно встраивается в слой Store в LangGraph. Главная ловушка кроется в деталях: демонстрационный класс InMemoryStore теряет абсолютно все данные при перезапуске процесса, поэтому для реального продакшена необходимы внешняя СУБД и налаженная инфраструктура.

В репозитории LangMem предлагается набор функциональных примитивов, а не монолитный готовый бэкенд. Инструменты «горячего пути» (hot-path tools) позволяют агенту самостоятельно решать, когда зафиксировать или запросить данные в ходе беседы. Фоновый менеджер выделяет ключевые факты, удаляет дубликаты, актуализирует информацию и обновляет системные промпты. Библиотека может работать как с нативным хранилищем LangGraph, так и с произвольными базами данных.

В этой гибкости кроется ее главное преимущество. Команда может реализовать семантическую память (факты о клиенте), эпизодическую память (история прошлых действий) и процедурную память (эволюция системного промпта) без привязки к жестким форматам сторонних вендоров. Кроме того, ресурсоемкую консолидацию можно вынести за рамки основного диалога, минимизируя задержки. Цена этой свободы — необходимость самостоятельно реализовывать схемы данных, вызовы нейросетей, алгоритмы выборки, регламенты консолидации, мониторинг, отказоустойчивость баз и физическое удаление записей.

Критическое предупреждение содержится в официальной документации: хранилище InMemoryStore держит данные исключительно в оперативной памяти процесса и очищается при любом перезапуске. Для долговременного продакшена авторы прямо рекомендуют подключать AsyncPostgresStore или аналогичные СУБД. Если тестовый агент помнит контекст между вызовами внутри одного процесса, это еще не означает надежного долговременного хранения. Проверяйте персистентность перезапуском контейнера в интеграционных тестах.

Лучшее применение: разработчики на LangGraph, которым требуется уникальная логика памяти при наличии собственной надежной инфраструктуры баз данных и контура мониторинга.
Главная особенность: разделение на инструменты оперативного доступа («горячий путь») и фоновую консолидацию с поддержкой любого совместимого бэкенда.
Цены: сама библиотека LangMem распространяется бесплатно под лицензией MIT. Платформа мониторинга LangSmith: тариф Developer — $0 за 1 место и 5,000 базовых трейсов в месяц (далее по факту использования). Plus — $39 за место в месяц (неограниченная покупка мест, 10,000 трейсов и 1 небольшой serverless deployment, далее по факту). Enterprise — индивидуальный контракт с self-hosted и гибридным вариантами. Потребление LangSmith тарифицируется по $1.50 за LCU и $1.00 за LSU. Цены проверены 28 августа 2026 года на странице тарифов LangChain.
Бесплатный доступ: библиотека полностью бесплатна (open source); для LangSmith предусмотрен постоянный бесплатный тариф Developer.

LangMem дешев только тогда, когда у команды уже развернута сопутствующая инфраструктура. Сама библиотека стоит $0, но администрирование отказоустойчивого кластера Postgres, миграции данных, фоновые воркеры, вызовы моделей для извлечения фактов, сбор метрик и дежурства инженеров стоят реальных денег. Сравнивайте эти трудозатраты с тарифами Mem0 Starter или Pro, а не с нулем. Подписка LangSmith Plus для команды из пяти человек сразу стартует со $195 в месяц без учета серверов, баз данных и API моделей.

Библиотека органично дополняет сценарии, где агенту требуется доступ как к историческому опыту, так и к внешнему миру. LangMem сохраняет прошлые выводы и контекст, но актуальные прайс-листы, законы и расписания должны запрашиваться через поисковый слой, подобный сервисам из нашего обзора поисковых API на базе ИИ для автономных агентов. Память отвечает за то, что было решено ранее; поиск — за верификацию того, что происходит прямо сейчас.

Итог: LangMem — это набор точных архитектурных примитивов, а не аутсорсинг инфраструктуры памяти. Выбирайте его, когда уникальная кастомизация логики является ключевым конкурентным преимуществом, а проект уже построен вокруг LangGraph. Откажитесь от него, если бизнесу нужен гарантированный результат уровня SaaS, а команда рискует выкатить тестовый InMemoryStore под видом постоянной архитектуры.

Матрица выбора: что подойдет именно вам

Быстрее всего принять решение исходя из контекста вашей рабочей задачи, а не из общей суммы баллов.

Perplexity Brain — готовое рабочее место для аналитической работы

Выбирайте Brain, если ваши аналитики или проектные команды постоянно работают внутри Perplexity Computer над сквозными задачами. Он полностью окупает свою цену за счет экономии времени на повторные брифы и ручной поиск первоисточников. Откажитесь от Brain, если память должна работать внутри вашего софта, передаваться между сторонними системами или управляться через открытый API.

Mem0 — универсальный стандарт для продуктовых приложений

Выбирайте Mem0, если сервису требуется раздельная память по пользователям и агентам, а продуктовая команда хочет начать с управляемого облака с возможностью перехода на self-hosted версию в будущем. Он остается лучшим вариантом по умолчанию до тех пор, пока ключевым требованием не станут темпоральные графы, сложная аналитика документов или аудит на уровне файловой системы. Внимательно просчитайте скачок с $19 до $249 в месяц и убедитесь, что облачные возможности тарифа Pro действительно необходимы вашему сервису.

Hindsight — когда ответ требует анализа фактов во времени

Выбирайте Hindsight для задач с длинной историей взаимодействия, где точные названия, связи между людьми, хронология событий и глубокие логические выводы определяют точность итогового ответа. Это очевидный кандидат, если на тестах выяснилось, что базовый семантический поиск пропускает изменившиеся факты. Возвращайтесь к Mem0 или собственной БД, если рефлексия не дает существенного прироста качества, оправдывающего затраты на Retain и хранение.

Zep — для управляемого графа знаний корпоративного уровня

Используйте Graphiti, если хотите самостоятельно администрировать открытый темпоральный граф, и выбирайте Zep, если вам необходимы аудит, централизованные логи, готовое управление пользователями, строгая изоляция окружений и корпоративные варианты развертывания. Облачный Zep становится финансово выгоднее при объемах свыше 150,000 кредитов в месяц по сравнению с постоянной докупкой пакетов на тарифе Flex. Откажитесь от него, если графовые связи вторичны, а простые записи настроек не требуют учета времени.

Supermemory — для масштабной загрузки разнородного контента

Выбирайте Supermemory, если контекст агента формируется из смеси диалогов, файлов, графики, профилей пользователей и синхронизируемых данных из SaaS-коннекторов. Схема оплаты только уникальных токенов крайне привлекательна при работе с регулярно обновляемыми документами. Откажитесь в пользу простого API, если огромное количество мелких документов и плата за мгновенные операции создают больше затрат, чем компенсирует мультимодальный слой.

Cognee — когда онтология связей является сутью продукта

Выбирайте Cognee, если сложные взаимосвязи между объектами, валидация источников, развертывание в своем облаке (BYOC) и доступ к десятку режимов выборки являются обязательными требованиями приложения. Он создан для команд, готовых взять на себя поддержку баз данных. Переключайтесь на готовый управляемый API, если в инженерной команде нет специалистов для поддержки онтологии, оптимизации бэкенда и мониторинга качества поиска.

Хранилища Claude — для аудируемых рабочих файлов

Выбирайте хранилища памяти Claude Managed Agents, если постоянный контекст должен храниться в виде понятных файлов с прозрачной историей версий, настройкой прав доступа, откатом и гарантированным удалением конфиденциальной информации. Переходите к специализированным сервисам семантической памяти, когда коллекция документов разрастается настолько, что агент перестает ориентироваться в структуре директорий.

Letta — для независимой памяти агентов-разработчиков

Выбирайте Letta, если карта репозитория, принятые соглашения по стилю кода, идентичность агента и история задач должны пережить миграцию на новую базовую нейросеть. Откажитесь от инструмента, если приоритетом компании является проверенная стабильная платформа с развитым API изоляции пользователей, или если вы не готовы подстраиваться под текущую перестройку архитектуры Letta.

LangMem — для уникальных сценариев поверх LangGraph

Выбирайте LangMem, когда команда планирует с нуля выстроить типы памяти, правила записи, механизмы консолидации и логику работы с СУБД внутри LangGraph. Переходите на готовый сервис, если разработка собственного слоя хранения отвлекает силы от создания основного бизнес-функционала продукта.

Общее правило выбора: готовые управляемые сервисы выигрывают тогда, когда их ежемесячная стоимость ниже совокупных расходов на разработку, инфраструктуру и риски эксплуатации собственного решения; open source и self-hosted побеждают тогда, когда требования к физическому размещению данных, безопасности или нестандартному поведению памяти невозможно делегировать внешнему провайдеру. Обязательно закладывайте в расчет затраты на исправление ошибок: сервис с копеечным поиском, требующий регулярной ручной очистки искаженных фактов инженерами, в итоге окажется самым дорогим решением из всех.

Чего следует избегать

Не покупайте продукт только из-за ярлыка «memory», не проверив систему на реальное сохранение данных. Надежное решение обязано выдерживать открытие новой сессии или перезапуск процесса, обеспечивать точечную селективную выборку, поддерживать ручную коррекцию и гарантировать чистое удаление информации в рамках контура пользователя. Ниже перечислены самые опасные архитектурные ловушки.

Использование InMemoryStore из LangGraph в продакшене

Класс InMemoryStore удобен для примеров из документации и локальных тестов. Разработчики прямо предупреждают, что его содержимое уничтожается при перезапуске процесса. Категорически запрещено выкатывать его в продакшен в качестве долговременной памяти, даже если демо-версия успешно помнит факты в рамках одной запущенной сессии. Используйте бэкенды с постоянным дисковым хранением (например, AsyncPostgresStore) и обязательно тестируйте жесткий перезапуск контейнера на этапе приемки.

Ставка на векторные базы (Pinecone, Qdrant и др.) как на готовую память

Векторные СУБД — прекрасные инструменты для хранения эмбеддингов и семантического поиска. Однако избегайте иллюзии, что добавление поиска по сходству решает проблему памяти. Полноценная архитектура требует извлечения сущностей, разрешения противоречий во времени, изоляции пользователей, механизмов ручного исправления, очистки устаревших данных и аудита источников. Реализуйте эти механизмы самостоятельно или выбирайте системы, где они уже встроены.

Попытка построить SaaS-продукт поверх Perplexity Brain

Brain великолепен внутри среды Computer, но совершенно не подходит на роль фундамента для тиражируемого SaaS-сервиса, которому требуются API памяти, ключи клиентов, управление маршрутизацией запросов и настраиваемые правила экспорта. Цена подписки включает рабочее место внутри закрытой экосистемы. Не пытайтесь решать инфраструктурные задачи платформы с помощью готовой среды для пользователей.

Развертывание Graphiti без выделенного инженера

Graphiti предоставляет мощное темпоральное ядро. Но он не снимает с вас задач администрирования графовых СУБД, настройки мониторинга, обеспечения безопасности, балансировки нагрузки и оценки качества поиска. Не стоит выбирать open source исключительно ради экономии на тарифе Zep Flex ($125), если в штате некому квалифицированно поддерживать полученный стек.

Использование устаревших туториалов по Letta

Избегайте архитектурных решений, опирающихся на устаревшие серверные функции (core_memory_replace, прежнюю файловую систему или серверные фоновые агенты). Разработчики Letta официально объявили об их отключении. Стройте новые решения только на базе актуального приложения Letta Code, репозиториев контекста MemFS, системных файловых утилит и свежих версий SDK.

Использование сервисов памяти без ответственного за удаление данных

Даже самая передовая система становится источником рисков, если в компании нет регламента работы с некорректными воспоминаниями. Автоматическая консолидация может превратить единственную фактическую ошибку в уверенное системное обобщение. До запуска определите, кто имеет право проверять источники, корректировать факты, удалять случайно попавшие токены и стирать данные клиентов. Если выбранный инструмент не поддерживает такой жизненный цикл, откажитесь от него в критически важных бизнес-процессах.

План действий на понедельник

Не пытайтесь перенести всю корпоративную базу знаний в новую систему за один день. Выберите один повторяющийся сценарий, где контекст прошлых сессий критически важен: например, составление регулярного отчета по клиенту, продолжение задачи по коду или учет персональных ограничений заказчика.

1. Зафиксируйте контракт памяти. Опишите один тип сохраняемых фактов, ключ изоляции (tenant key), источник данных, срок жизни и список строго запрещенных сведений. Исключите попадание любых паролей и токенов.
2. Запустите параллельный контур (shadow path). Пусть текущий агент отвечает пользователю в штатном режиме, а тестируемая система памяти параллельно формирует контекст. Логируйте найденные данные без прямого влияния на боевые ответы.
3. Подготовьте 20 контрольных вопросов с историческим контекстом. Включите в тест изменившиеся факты, точные имена, противоречия старых и новых решений, запрос на удаление данных и один заведомо ложный факт. Синтетические бенчмарки не заменят собственных тестов.
4. Замерьте четыре ключевые метрики. Оцените точность ответов, расход токенов или кредитов, время сотрудников на перепроверку и процент исправлений. Отслеживайте задержку, но не позволяйте быстрому, но неверному ответу победить в тестах.
5. Протестируйте полный жизненный цикл данных. Перезапустите сервис, начните новую сессию, измените исходный факт, отзовите доступ пользователя, удалите запись и убедитесь, что устаревшая информация гарантированно перестала появляться в ответах.
6. Рассчитайте затраты для боевого режима. Примените реальную модель тарификации провайдера к месячному прогнозу записей, чтений, объема хранения, типов операций и рабочих мест с учетом роста. Добавьте сюда стоимость рабочего времени инженеров для self-hosted вариантов.
7. Определите порог пересмотра архитектуры. Зафиксируйте конкретные цифры нагрузки, требования безопасности или показатели точности, при достижении которых потребуется переход на следующий тарифный план или смена платформы.

Для Mem0 таким порогом станет переход со Starter на Pro при потребности в графовой памяти или консолидации фактов, оправдывающей доплату в $230 в месяц. Для Zep — прогноз нагрузки свыше 150,000 кредитов, где тариф Flex Plus становится выгоднее постоянных доплат. Для Perplexity — объем повторяющейся аналитики, окупающий лицензию за $200 или $325. Для LangMem — готовность команды самостоятельно отвечать за инфраструктуру СУБД, а не воспринимать открытую библиотеку как «бесплатную эксплуатацию».

По итогам недели переводите в продакшен только один проверенный сценарий. Успех внедрения памяти измеряется не терабайтами залитой информации, а стабильной работой процесса, который легко восстанавливает контекст, расходует меньше повторных токенов, требует меньше правок от человека и гарантированно забывает данные по первому требованию.

Часто задаваемые вопросы

Какие системы памяти для ИИ-агентов доступны на GitHub?

Mem0, Hindsight, Graphiti, Cognee, Letta Code и LangMem предлагают open-source версии. При этом открытый код не означает полной идентичности облаку: Mem0 сохраняет продвинутые функции ранжирования v3 только в коммерческой платформе, Graphiti требует собственной надстройки управления доступом поверх графа, а LangMem нуждается во внешнем постоянном хранилище и сопутствующей инфраструктуре.

Что такое framework памяти ИИ?

Фреймворк памяти ИИ — это программный слой, определяющий, какие данные агент сохраняет, как структурирует и актуализирует накопленный контекст, и какой именно релевантный фрагмент передается нейросети в будущих сессиях. Он объединяет хранилище, механизмы парсинга, алгоритмы селективного поиска и управление жизненным циклом данных, выходя далеко за рамки простого сохранения логов чата.

Достаточно ли обычной векторной базы данных для памяти агента?

Нет, только векторной базы недостаточно. Векторная СУБД отлично справляется с сохранением эмбеддингов и поиском по сходству, однако для полноценной рабочей системы требуются изоляция клиентов, учет актуальности во времени, разрешение смысловых противоречий, подтверждение источников, возможность исправления ошибок, регламенты хранения и надежное удаление. Векторная база может служить лишь низкоуровневым компонентом более сложной системы памяти.

Может ли контекстное окно большого размера полностью заменить долговременную память?

Нет. Огромное контекстное окно способно вместить больше текста в рамках одного запроса, но оно не определяет, какие факты должны сохраниться после завершения сессии, какие данные устарели, кто является владельцем информации и как ее стереть. Кроме того, селективная выборка из постоянной памяти избавляет от необходимости оплачивать повторную отправку сотен тысяч токенов истории при каждом обращении к нейросети.

Когда стоит выбрать Mem0 вместо Hindsight или Zep?

Выбирайте Mem0 как универсальный стандарт для типовых прикладных задач. Остановитесь на Hindsight, если главными факторами качества являются учет фактора времени, параллельный поиск по нескольким алгоритмам, формирование наблюдений и глубокая рефлексия. Выбирайте Zep, когда проект жестко требует использования темпорального графа взаимосвязей в сочетании с корпоративным контролем доступа (RBAC/ABAC), аудитом, политиками хранения и физической изоляцией данных.

Какая система долговременной памяти для ИИ-агентов самая дешевая?

Многие решения предлагают бесплатный старт, но итоговые затраты зависят от модели тарификации и вашей архитектуры. Cognee Standard берет $25 за обработку 10 миллионов токенов без учета рабочих пространств, Supermemory оценивает обработку 10 миллионов уникальных текстовых SM-токенов в графе памяти в $50, а операция Retain в Hindsight стоит $100 за 10 миллионов входных токенов. Эти метрики отражают разный объем работы систем, а self-hosted решения дополнительно требуют затрат на модели нейросетей, СУБД, сервера и рабочее время инженеров.

Как ИИ-агент должен удалять устаревшие данные?

Через явные, контролируемые хост-приложением методы редактирования, аннулирования, удаления и затирания с обязательным указанием тех же ключей изоляции (tenant keys), что использовались при записи. После удаления критически важно протестировать поведение системы: удаление одной текущей записи не поможет, если неизменяемые версии файла, саммари, ребра графа, кэш или сторонние копии продолжают возвращать удаленный фрагмент в выдачу.

Хотите получить готовый опросник по надежности персистентности, политикам удаления данных и оценке стоимости? Скачайте чеклист аудита рабочих процессов ИИ (AI Business Workflow Audit Checklist) и протестируйте один сценарий работы с памятью в ближайший понедельник.