Память ИИ-агента переезжает между провайдерами: как это работает

Память ассистента стала точкой удержания пользователя. OpenAI хранит факты о вас в аккаунте ChatGPT, Anthropic ведёт свою память в Claude, Google — в Gemini. Каждый из этих слоёв закрыт: экспортировать «то, что модель обо мне знает» в другой сервис штатными средствами нельзя. Появившийся в 2024–2025 годах класс инструментов — Mem0, Zep, Letta и открытый протокол MCP — пытается сделать память переносимой между провайдерами. Это меняет расклад для тех, кто строит агентов и не хочет привязываться к одному API.

Что такое «память» у современных ассистентов

Под памятью понимают две разные вещи, и их постоянно путают.

Первое — память провайдера. Это встроенная функция потребительских продуктов: ChatGPT сам решает, что о вас запомнить («работаю дизайнером», «предпочитаю короткие ответы»), и подмешивает эти факты в новые диалоги. Она удобна, но живёт внутри одного аккаунта и не имеет открытого формата выгрузки, пригодного для импорта в другой сервис.

Второе — память приложения, которую разработчик реализует сам поверх любого API. Именно её и делают переносимой: факты о пользователе хранятся в вашей базе, а не у провайдера модели, и подаются в запрос как контекст. Сменили модель — память осталась.

Почему память вообще привязана к провайдеру

Причина техническая и коммерческая одновременно. Технически память — это не «состояние модели», а внешнее хранилище, которое сервис подставляет в контекстное окно¹ при каждом запросе. У OpenAI, Anthropic и Google форматы этого хранилища разные и недокументированные для экспорта. Коммерчески закрытая память повышает стоимость переkey к конкуренту: чем больше сервис о вас знает, тем дороже начинать с нуля где-то ещё.

Память — это новый lock-in. Не веса модели удерживают пользователя, а накопленный контекст, который нельзя забрать с собой.

Инструменты, которые делают память портативной

Идея у всех похожа: вынести память из провайдера в отдельный слой, который сам решает, что сохранить, как это найти и в каком виде вернуть модели. Разработчик подключает такой слой к любому LLM-API.

• Mem0 — открытая библиотека и облачный сервис, извлекает факты из диалога и хранит их с поиском по смыслу. Работает поверх OpenAI, Anthropic, локальных моделей — модель задаётся параметром.
• Zep — память с временной привязкой фактов (когда что стало верным), ориентирована на продакшн-агентов.
• Letta (бывший MemGPT) — фреймворк, где агент сам управляет своей памятью, вынося важное в долговременное хранилище.
• MCP (Model Context Protocol) — открытый протокол от Anthropic для подключения внешних источников контекста к модели. Сам по себе не «память», но задаёт стандартный способ отдавать модели внешние данные, включая память из отдельного сервиса.

Общий принцип: память живёт в вашей инфраструктуре в виде записей, а провайдер модели становится сменной деталью. Перенос между GPT и Claude сводится к смене имени модели в конфиге, память при этом не трогается.

Сравнение подходов

Точные лимиты, тарифы и наличие бесплатного плана у Mem0, Zep и Letta меняются — сверяйте на их официальных страницах перед выбором.

Что мешает полной переносимости

Даже вынесенная память не переносится «один в один». Модели по-разному реагируют на один и тот же набор фактов: то, что GPT учитывает как предпочтение, Claude может проигнорировать или трактовать иначе. Формат подстановки (system-промпт, отдельное сообщение, инструмент) тоже влияет на результат. Переносим мы данные, а не поведение — его придётся заново настраивать под каждую модель.

Кому это пригодится и кому нет

Портативная память нужна не всем. Конкретные сценарии.

• Пригодится: продуктовым командам, которые строят агента и не хотят зависеть от одного API — сегодня дешевле Claude, завтра GPT, послезавтра локальная модель.
• Пригодится: тем, кому важен контроль над персональными данными пользователей — память в своей базе проще привести в соответствие с требованиями к обработке данных.
• Пригодится: проектам с длинными пользовательскими сессиями, где важно помнить контекст месяцами, а не в пределах одного окна.
• Не нужна: обычному пользователю ChatGPT, которому хватает встроенной памяти внутри одного аккаунта.
• Не нужна: одноразовым задачам без истории — суммаризация документа не требует памяти между запусками.

Как подступиться, если вы разработчик

1. Определите, что вообще должно запоминаться: предпочтения, факты о пользователе, история решений. Не храните всё подряд — это удорожает поиск и раздувает контекст.
2. Выберите слой памяти или соберите свой на векторной базе. Для прототипа проще готовый сервис, для контроля над данными — собственное хранилище.
3. Отделите провайдера модели от логики памяти: имя модели должно быть параметром, а не зашитым значением.
4. Проверьте одно и то же поведение как минимум на двух моделях, прежде чем считать миграцию бесшовной.

¹ Контекстное окно — максимальный объём текста (в токенах), который модель обрабатывает за один запрос. Память подставляется именно в это окно, поэтому её объём ограничен и требует отбора: в окно не влезет вся история, только релевантные факты.