Paměť AI agenta: jak Deep Agents odlehčují dlouhým úlohám

TL;DR

• U dlouhých úloh agent potřebuje odložit nepotřebné podklady a později je znovu dohledat. Deep Agents k tomu používají soubory, souhrny a oddělenou práci dílčích agentů.
• Aktivní kontext a dlouhodobá paměť mají odlišnou roli: první slouží právě probíhajícímu rozhodování, druhá uchovává informace pro další konverzace.
• Při zkoušce ověř, zda agent po shrnutí historie dokáže najít původní detail a správně ho použít. Samotná existence uloženého souboru nestačí.

Agent připravuje týdenní přehled konkurence. Načte exporty, projde články, sepíše poznámky a několikrát upraví návrh. Když nakonec ladí podobu zprávy, může stále dostávat i surová data a staré verze textu, které už pro tento krok nepotřebuje. Pro malý tým je podstatné, zda při dokončování neztratí důležité zadání nebo údaj z počátku práce.

LangChain v technickém článku ze 14. října popisuje, jak tento problém řeší jeho otevřený nástroj Deep Agents. Jde o softwarovou vrstvu kolem jazykového modelu, která řídí práci s nástroji a kontextem. Užitečný princip zní: podklady mohou zůstat dostupné, aniž je model musí dostávat při každém kroku.

Aktivní kontext není dlouhodobá paměť

Kontextové okno je omezený prostor pro informace, které model dostává při konkrétním volání. Patří do něj zadání, historie konverzace, výsledky nástrojů i načtené dokumenty. S postupující prací v něm přibývají také mezivýsledky, které už nemusí být užitečné.

Autoři označují zhoršování přesnosti při hromadění takového obsahu jako „context rot“. Popsané mechanismy mají přísun informací omezit a průběžně zpracovávat to, co se v kontextu už nahromadilo. Článek ale neuvádí srovnávací měření, ze kterého by šlo vyčíslit zlepšení přesnosti.

Dlouhodobá paměť řeší jinou potřebu: přenést užitečnou informaci do příští konverzace. Například tvoje pravidlo, že úvod týdenního přehledu má mít odrážky. Uložená preference a celý právě zpracovávaný export tedy nemusí být součástí stejného mechanismu.

Velké podklady odložit, historii shrnout

Deep Agents podle popisu ukládají výsledek nástroje větší než přibližně 20 000 tokenů do souboru. Tokeny jsou jednotky, ve kterých model zpracovává text. Do konverzace místo celého výsledku vstoupí krátký náhled a cesta k souboru. Agent může později načíst potřebnou část. U rozsáhlých uživatelských zpráv článek uvádí vyšší práh, 50 000 tokenů.

To pomáhá u jednorázového velkého vstupu. Postupné přibývání drobných zpráv řeší sumarizace. Při výchozím prahu 85 % kapacity kontextového okna samostatné volání modelu shrne starší zprávy. Nejnovější zprávy zůstávají v původním znění.

Starší obsah se přitom ukládá do souboru, odkud ho agent může znovu přečíst. Právě možnost návratu je důležitá: souhrn může vynechat detail, který při jeho tvorbě vypadal nepodstatně, ale později rozhodne o správnosti závěru. Uvedené prahy jsou výchozí nastavení popsaného nástroje, nikoli univerzální doporučení pro každou úlohu.

Návody a dílčí rešerše nemusí zatěžovat každý krok

Další dva mechanismy omezují, co se do hlavního kontextu vůbec dostane.

Skills jsou uložené návody pro konkrétní úkoly. Agent nejprve vidí jen jejich názvy a krátké popisy. Úplný návod si načte, když vyhodnotí, že ho potřebuje. Pokyny k podobě čtvrtletního přehledu tak nemusejí zabírat místo během každého hledání informací.

Dílčí agenti mají vlastní kontext. Hlavní agent jim může předat rešerši jedné firmy a dostat zpět pouze závěr. Nemusí pak nést celou historii hledání a všechny přečtené stránky.

Pro návrh takové práce z toho plyne konkrétní rozhodnutí: co má dílčí agent vrátit, aby byl výsledek použitelný? U rešerše bychom vedle stručného závěru požadovali také odkazy na podklady. Krátká odpověď ušetří místo, ale bez opory se hůř kontroluje.

Souborová paměť přežije výměnu modelu

Dlouhodobou paměť Deep Agents ukládají do souboru ve formátu Markdown v úložišti, které máš pod kontrolou. Jeho obsah se načte na začátku běhu a přidává se do systémových instrukcí při jednotlivých voláních modelu. Agent může soubor aktualizovat, když zjistí něco, co má smysl zachovat.

Výhodou je přenositelnost. Na stejné úložiště můžeš připojit jiný model nebo poskytovatele a uložené preference mu zůstanou dostupné. Z toho ale neplyne, že je každý model stejně dobře vyloží nebo dodrží.

Pro vlastní použití proto doporučujeme paměť průběžně kontrolovat a opravovat zastaralé pokyny. Protože její obsah vstupuje do každého volání, vyplatí se hlídat i to, co do ní agent ukládá.

Zkus návrat k detailu z počátku úlohy

Představ si zkušební přehled pěti konkurentů. U prvního z nich je v podkladech výjimka: uváděná cena platí jen při roční platbě. Agent potom projde ostatní firmy a jeho historie se mezitím shrne.

Při závěrečné kontrole ho požádej, aby podmínku ceny znovu doložil z původního podkladu. Sleduj, zda soubor skutečně dohledá a zda výjimku zachová ve výsledném srovnání. To je náš návrh testu, nikoli výsledek měření Deep Agents.

Taková zkouška ukáže víc než otázka, zda agent „má paměť“. Ověří, zda při dlouhé práci dokáže odloženou informaci znovu získat a použít tam, kde na ní záleží.

Zdroj

Jess Weng, LangChain: Context Engineering: How Deep Agents Remember, 14. října 2026