AI-IQ: Туториал по установке и использованию персистентной памяти для локальных AI-агентов на SQLite

Ваш агент - золотая рыбка? Пора лечить амнезию

Перезагрузили скрипт - и ваш умный помощник забыл всё: диалоги, предпочтения, контекст. Он снова спрашивает, как вас зовут. Знакомо? Классические векторные хранилища решают только часть проблемы. Они похожи на архив, где документы лежат в одной куче без связей, времени и приоритетов.

Вот вам инструмент, который заставит агента помнить. Не просто хранить, а понимать контекст, вес доказательств и связи между фактами. AI-IQ - это система персистентной памяти, построенная на SQLite. Она не требует облаков, работает локально и умеет то, о чем другие хранилища только мечтают.

Что внутри? Не просто база, а когнитивная система

Авторы не стали изобретать очередной wrapper для Chroma. Они собрали под одной крышей несколько мощных концепций, которые превращают SQLite в мозг агента.

• Векторный поиск на sqlite-vec. Теперь SQLite 3.47.1+ умеет в similarity search из коробки. Не нужен отдельный сервер.
• Байесовские убеждения. Каждое воспоминание имеет вес (belief). Система обновляет вероятность истинности фактов на основе новых свидетельств. Агент не путает гипотезу с законом.
• Граф знаний. Факты связаны отношениями: "подтверждает", "опровергает", "является примером". Это не плоский список, а сеть смыслов.
• Автономная консолидация. Фоновый процесс анализирует память, находит противоречия, укрепляет сильные связи и забывает мусор (похоже на MemV, но встроен прямо в ядро).
• Полнотекстовый поиск FTS5. Старый добрый поиск по ключевым словам, который отлично работает в тандеме с векторами.

Сравнение: чем AI-IQ бьет по больному месту

Посмотрим на альтернативы. Chroma, Qdrant, Pinecone - отличные векторные базы. Но они созданы для RAG, а не для долгоживущего агента. У них нет понятия времени, уверенности или семантических связей.

Если вам нужен просто кэш для RAG - берите Chroma. Если строите агента, который должен рассуждать и учиться на протяжении недель - AI-IQ сэкономит месяцы разработки. Это следующий шаг после базовой графовой архитектуры на SQLite.

Ставим за пять минут. Без боли

Предполагаю, что Python 3.11+ у вас уже есть. Если нет - как вы вообще живете?

1 Установка ядра

pip install ai-iq

Команда потянет за собой sqlite-vec (расширение для векторных операций), numpy и несколько других зависимостей. Если видите ошибку с компиляцией sqlite-vec - убедитесь, что у вас установлены dev-пакеты для SQLite. На Ubuntu это libsqlite3-dev.

2 Первая база памяти

from ai_iq import AgentMemory

# Создаем или подключаем базу
memory = AgentMemory(db_path="./my_agent_brain.db")

# Инициализируем схемы (таблицы, векторы, графы)
memory.initialize()

Файл БД появится на диске. Внутри уже будут таблицы для фактов, связей, векторные индексы и служебные данные. Не лезьте туда руками через SQLite Browser - можете сломать внутренние индексы. Используйте API.

3 Кормим память фактами

# Добавляем воспоминание с текстом и метаданными
fact_id = memory.add_fact(
    content="Пользователь любит зеленый чай с жасмином.",
    source="dialogue_2026_03_31",
    initial_belief=0.8  # Начальная уверенность (от 0 до 1)
)

# Добавляем связанный факт
related_id = memory.add_fact(
    content="Зеленый чай содержит антиоксиданты.",
    source="knowledge_base"
)

# Создаем связь в графе знаний
memory.add_relation(
    from_id=fact_id,
    to_id=related_id,
    relation_type="SUPPORTS"  # Факт 2 поддерживает факт 1
)

Теперь в памяти не просто два текста. Есть осмысленная связь. Когда агент будет вспоминать про чай, он может захватить и информацию об антиоксидантах.

Используем в деле: поиск, обновление, консолидация

Вот как это выглядит в работе автономного агента.

Гибридный поиск с учетом уверенности

# Агент думает: "Что я знаю о чае?"
results = memory.search(
    query="чай зелёный предпочтения",
    search_type="hybrid",  # Объединяет FTS5 и векторный поиск
    belief_threshold=0.3,   # Игнорировать факты с уверенностью ниже 0.3
    limit=5
)

for fact in results:
    print(f"Уверенность: {fact.belief:.2f} | Текст: {fact.content}")
    # Если нужно, можно получить связанные факты
    related = memory.get_related_facts(fact.id)

Агент учится: обновление убеждений

Пользователь говорит: "Кстати, я теперь пью только улун". Агент должен понизить уверенность в старом факте и добавить новый.

# Находим старый факт (предыдущим поиском или по ID)
old_fact_id = fact_id  # из примера выше

# Обновляем уверенность (байесовское обновление)
memory.update_belief(
    fact_id=old_fact_id,
    new_evidence_strength=0.2,  # Слабое свидетельство против
    evidence_type="CONTRADICTS"
)

# Теперь уверенность в старом факте упала с 0.8 до ~0.5
# Добавляем новый факт
new_fact_id = memory.add_fact(
    content="Пользователь сейчас предпочитает улун.",
    source="dialogue_update",
    initial_belief=0.9
)

# Создаем связь "заменяет"
memory.add_relation(old_fact_id, new_fact_id, "REPLACES")

Волшебство автономной консолидации

Включите фоновый процесс (например, в отдельном потоке), который будет периодически "уплотнять" память.

# Запускаем консолидацию вручную (или по расписанию)
memory.consolidate()

# Что происходит внутри:
# 1. Система ищет факты с низкой уверенностью (< 0.1) и архивирует их.
# 2. Находит противоречия (факты A и B с высоким belief, но связь CONTRADICTS).
# 3. Укрепляет связи между фактами, которые часто вспоминаются вместе.
# 4. Пересчитывает векторные кластеры для более быстрого поиска.

Это похоже на сон человека. Без этого память превращается в информационный шум. Механизм очень полезен для агентов, которые работают неделями, как в долгоживущих автономных архитектурах.

Кому заходить, а кому пройти мимо

AI-IQ - не панацея. Он решает конкретную проблему сложными методами.

Берите AI-IQ, если вы:

• Строите локального агента на мощных локальных моделях типа Kilo Code, и ему нужна память между сессиями.
• Хотите, чтобы агент умел рассуждать с учетом вероятностей ("скорее всего, пользователь имеет в виду X").
• Готовы разбираться с немного сырым, но перспективным инструментом. Документация есть, но не идеальна.
• Цените минимальные зависимости (SQLite + Python). Не хотите поднимать отдельный сервер для памяти.

Не тратьте время, если:

• Вам нужен просто кэш для RAG-системы. Возьмите LanceDB или Chroma.
• Работаете в продакшене с высокими нагрузками на запись. SQLite может стать бутылочным горлышком.
• Ищете готовый SaaS с графическим интерфейсом. AI-IQ - это библиотека для разработчиков.
• Ваш агент живет только в одном сеансе (память не нужна после перезапуска).

Что дальше? Память становится стандартом

На 2026 год тренд очевиден: тупые агенты с гигантскими контекстными окнами проигрывают умным агентам с долгосрочной памятью. Зачем забивать 200К токенов в промпт, если агент может хранить годами накопленный опыт в 50 МБ SQLite-файле?

AI-IQ - один из первых шагов к стандартизации этого слоя. Пока он выглядит как нишевый инструмент для энтузиастов. Но через год, когда появятся конкуренты, а API стабилизируется, он может стать такой же must-have библиотекой для агентов, как LangChain в 2023-м (да, я знаю, что многие его ненавидят, но факт есть факт).

Мой совет: поставьте его на тестового агента сегодня. Даже если в продакшене вы пока не готовы. Поиграйте с belief и графами. Потому что когда ваш конкурсный агент начнет вспоминать, что полгода назад пользователь просил "сделать темную тему", а ваш будет спрашивать "какую тему?", разница станет болезненно очевидной.

Подписаться на канал