Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизРазбор · На радарHabr AI→ оригинал

Anthropic показала, как дать ИИ-агенту память о проекте и не раздуть контекст

ИИ-агент без памяти каждый день начинает проект с нуля, как разработчик с амнезией. Ламис Мукта из Anthropic показала путь Claude Code: от одного файла CLAUDE.md с правилами к каталогу markdown-заметок с индексом. Агент читает только оглавление и открывает нужные заметки, так что контекст — всё, что модель видит в вызове, — не раздувается. Памяти стоит верить с оговорками: нужны источник, область и статус записи.

AI-обработка оригинала Habr AI; редакция Hamidun News
Anthropic показала, как дать ИИ-агенту память о проекте и не раздуть контекст
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Ключевой факт #1CLAUDE.md грузится в контекст целиком, поэтому раздутый файл съедает внимание агента
Skill — папка с SKILL.mdагент видит только описание, полный текст грузит по задаче
Ключевой факт #3Заметка «тест сломан» бесполезна; нужны условия, окружение и дата проверки

Представьте, что в команду пришёл сильный разработчик. В первый день он разобрался в проекте, нашёл нужный сервис, выяснил, почему падают тесты, и закрыл кучу тикетов. На второй день выясняется, что у него амнезия: он снова изучает тот же репозиторий и наступает на вчерашние грабли.

Примерно так по умолчанию работает ИИ-агент. Общие знания зашиты в веса модели, но устройство вашего проекта, принятые в команде правила и причины, по которым вы трижды отвергли одно решение, она из коробки не знает. Опыт между запусками сам не накапливается.

Ламис Мукта из Anthropic рассказала, как с этим справляется Claude Code: агент хранит память о проекте в файлах и подгружает в контекст, то есть в данные, которые модель видит при конкретном вызове, только нужное. Её выступление разобрали в десятой части цикла «Затащи меня в харнесс» на Habr.

От одного файла до каталога заметок

Сначала автор советует различать четыре вещи. Контекстное окно — то, что модель видит прямо сейчас. Транскрипт — запись сообщений и действий сессии. Состояние выполнения хранит, какой шаг идёт и что подтверждено. Память — отобранные сведения для будущих задач. Журнал и актуальное состояние системы она не заменяет.

В Claude Code память развивалась по шагам, хотя автор оговаривается: это не обязательная лестница. Самый простой вариант — файл CLAUDE.md с командой запуска тестов, расположением сервисов и договорённостями команды. Его легко проверить глазами и хранить в git. Но файл целиком грузится в контекст каждой сессии. Если писать туда всё подряд, получится инструкция «размером с атомный ледокол», и даже исправление опечатки будет тратить внимание агента на лишний текст.

Следующий шаг — инструмент памяти. У модели есть функции memory_read, memory_write и memory_edit, и она сама решает, когда их вызвать. Где всё лежит, определяет реализация: папка с markdown, база данных или что-то ещё. Поэтому можно ограничить, что агент читает и пишет, и проверять записи до сохранения. Редактирование точечное, так что соседние сведения не теряются.

Дальше идут skills. Память хранит факты («тесты запускаются командой X»), а skill — порядок действий («как выпустить релиз»). Физически это папка с файлом SKILL.md, рядом могут лежать шаблоны, примеры и скрипты. Агент постоянно видит только список описаний и загружает полную инструкцию, когда задача совпадает. Поэтому skills можно держать десятками без больших затрат на контекст. Скрипт там, где нужна точность, надёжнее текстовой просьбы: он отработает одинаково каждый раз. Но он выполняется на вашей машине с вашими правами, так что чужие skills нужно читать как чужой код.

Как устроены запись и чтение

Схема из выступления такая. Во время работы агент решает, что стоит сохранить: договорённость команды, предпочтение пользователя, найденную причину бага. Он создаёт или обновляет markdown-файл. В начале сессии читает короткий индекс, по одной строке на заметку. Когда задача совпадает с описанием, открывает нужный файл. Если индекса мало, ищет по содержимому обычными средствами вроде grep, поэтому понятные имена файлов и папок важны. Папки стоит разделять: правила организации, заметки проекта, предпочтения пользователя, временные выводы. Иначе агент применит договорённость одной команды к другому проекту только потому, что обе заметки нашлись по слову deploy.

Хорошая запись содержит идентификатор, область действия, тип, статус, источник и дату обновления. Заметка «таблица ломается» бесполезна: через неделю никто не поймёт, какая таблица и исправлена ли проблема. Запись «при импорте DOCX с пустой ячейкой воспроизведено расхождение, перед выводом проверить текущий код» даёт направление и честно обозначает границы знания. Дата сама не говорит об устаревании: команда запуска теста живёт годами, а версия развёрнутого сервиса меняется за минуты. Поэтому для разных типов записей нужны разные правила проверки. Иначе агент радостно сообщит, что всё развёрнуто, потому что полгода назад кто-то оставил такую заметку.

Читать постепенно и всё равно проверять

Допустим, накопилась тысяча заметок. Отправлять их все в каждом запросе технически можно, но вы платите за обработку лишнего текста, а модели сложнее найти нужное среди соседних фактов. Поэтому память читают по ступеням: область задачи, индекс, поиск по ключевым словам и при необходимости по смыслу, затем только нужные фрагменты. Поиск по смыслу выручает, когда пользователь и автор заметки называют одно и то же по-разному. Точный поиск лучше для имён файлов, кодов ошибок и идентификаторов. Ни один из них не гарантирует, что найденная запись верна.

Пример из доклада: пользователь просит исправить импорт таблицы. Агент находит заметку о расположении обработчика DOCX и старом дефекте с пустой ячейкой, затем открывает текущий код и тесты. Если заметка описывает старую ветку, это не повод объявлять старую причину новой ошибкой. Память сокращает поиск, но не отменяет проверку.

Отдельная идея доклада — dreaming: фоновый процесс, который разбирает прошлые сессии и приводит накопленные знания в порядок.

Практический вывод для тех, кто строит агентов: начинайте с короткого CLAUDE.md, процедуры выносите в skills, а факты о проекте держите в заметках с индексом, источником и статусом. И всегда относитесь к записи как к подсказке, а не к истине.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: от одного файла до каталога заметок?

Сначала автор советует различать четыре вещи. Контекстное окно — то, что модель видит прямо сейчас. Транскрипт — запись сообщений и действий сессии. Состояние выполнения хранит, какой шаг идёт и что подтверждено. Память — отобранные сведения для будущих задач. Журнал и актуальное состояние системы она не заменяет. В Claude Code память развивалась по шагам, хотя автор оговаривается: это не обязательная лестница.

Что известно по теме: как устроены запись и чтение?

Схема из выступления такая. Во время работы агент решает, что стоит сохранить: договорённость команды, предпочтение пользователя, найденную причину бага. Он создаёт или обновляет markdown-файл. В начале сессии читает короткий индекс, по одной строке на заметку. Когда задача совпадает с описанием, открывает нужный файл. Если индекса мало, ищет по содержимому обычными средствами вроде grep, поэтому понятные имена файлов и папок важны.

Что известно по теме: читать постепенно и всё равно проверять?

Допустим, накопилась тысяча заметок. Отправлять их все в каждом запросе технически можно, но вы платите за обработку лишнего текста, а модели сложнее найти нужное среди соседних фактов. Поэтому память читают по ступеням: область задачи, индекс, поиск по ключевым словам и при необходимости по смыслу, затем только нужные фрагменты. Поиск по смыслу выручает, когда пользователь и автор заметки называют одно и то же по-разному. Точный поиск лучше для имён файлов, кодов ошибок и идентификаторов.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Практика · Hamidun Academy

Соберите рабочего ИИ-агента или сервис своими руками без ручного кода

В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.

Открыть 72ч бесплатный доступ →Интенсив по Вайб-кодингу
Что вы думаете?
Загружаем комментарии…