Google inžinierius atvėrė „Always-On“ atminties agentą — be vektorių DB ir be embeddingų

Liepos 18-ąją oficialiame „Google Cloud Platform“ „GitHub“ repozitorijuje pasirodė „Always-On Memory Agent“ — atviro kodo (MIT licencija) pavyzdinis agentas, kurį paskelbė Google vyresnysis dirbtinio intelekto produktų vadovas Shubham Saboo. Projektas sprendžia problemą, su kuria susiduria kone kiekviena komanda, statanti AI asistentą ar agentą: kaip suteikti modeliui ilgalaikę, nuolat papildomą atmintį, kad jis „atsimintų“ ankstesnius pokalbius, dokumentus ir kontekstą.

Įprastas atsakymas iki šiol buvo RAG (retrieval-augmented generation): tekstas verčiamas į skaitinius vektorius (embeddingus), kaupiamas specializuotoje vektorių duomenų bazėje, o užklausos metu iš jos ištraukiami panašiausi fragmentai. Saboo pasiūlymas provokuojamai apverčia šią schemą. Repozitorijaus aprašas skelbia tiesiai: „Jokios vektorių duomenų bazės. Jokių embeddingų. Tik LLM, kuris skaito, mąsto ir įrašo struktūrizuotą atmintį.“

Kaip tai veikia

Vietoje vienkartinio iškvietimo agentas veikia kaip nuolatinis foninis procesas — 24/7. Jį sukant naudojamas Google ADK (Agent Development Kit, pristatytas 2025-ųjų pavasarį) ir pigus, greitas Gemini 3.1 Flash-Lite modelis, kurį Google pristatė 2026 m. kovo 3 d. Būtent mažas šio modelio delsimas ir kaina leidžia jam suktis fone be perstojo, netuštinant biudžeto.

Po vienu orkestratoriumi (Memory Orchestrator) dirba trys specializuoti sub-agentai:

• Ingest — priima naują turinį, jį apibendrina, ištraukia esybes (entities), pažymi temas ir priskiria „svarbos“ balą. Palaikoma 27 failų tipų penkiose kategorijose: tekstas (.txt, .md, .json, .csv, .log, .xml, .yaml), vaizdai (.png, .jpg, .webp, .svg), garsas (.mp3, .wav, .flac), vaizdo įrašai (.mp4, .mov, .mkv) ir PDF — t. y. multimodalus įėjimas.
• Consolidate — kas 30 minučių (nustatoma) peržiūri dar nesukonsoliduotą atmintį, ieško sąsajų, sujungia susijusius įrašus ir įrašo naujas įžvalgas su kryžminėmis nuorodomis. Svarbi detalė: šis darbas vyksta agentui „laisvu metu“, ne tik užklausos momentu.
• Query — atsako į klausimus perskaitęs sukauptą atmintį ir konsolidacijos įžvalgas, o atsakyme pateikia cituojamų atminties įrašų ID kaip šaltinius (iki 50 naujausių įrašų).

Visa atmintis saugoma paprastoje SQLite byloje (memory.db) kaip struktūrizuotos eilutės — ne kaip nesuprantami vektoriai. Paleidimas minimalus: pip install -r requirements.txt, API raktas, python agent.py. Failus galima tiesiog mesti į ./inbox/ aplanką automatiniam įsavinimui arba siųsti per HTTP API; užklausoms yra ir „Streamlit“ valdymo skydelis.

Kodėl tai pastebima

Esminis skirtumas nuo RAG — atmintis apdorojama aktyviai, ne tik ištraukimo metu. RAG yra pasyvus: jis nieko nedaro, kol nepaklausi. Šis agentas veikia priešingai — fone jis nuolat jungia ir apibendrina informaciją, panašiai kaip žmogaus smegenys „sutvarko“ dienos įspūdžius. Būtent šią analogiją autorius ir akcentuoja.

Praktinė nauda kūrėjams trilypė. Pirma — kaina: nereikia mokėti už atskirą vektorių DB (pvz., „Pinecone“ ar „Weaviate“) ir embeddingų generavimą. Antra — paprastumas: SQLite veikia bet kur, be atskiros infrastruktūros, todėl prototipą pakelti galima per valandas. Trečia — skaidrumas: SQLite eilutes galima tiesiog atsidaryti ir perskaityti, patikrinti, ką agentas „atsimena“ ir kodėl — su vektoriais tai praktiškai neįmanoma. Auditui ir derinimui (debugging) tai didelis pliusas.

Kur ribos

Svarbu suprasti, kas tai nėra. Tai pavyzdinė realizacija — „mėlynraštis“, ne gatavas gamybinis produktas. Repozitorijus nepateikia įmonėms būtinų valdymo mechanizmų: deterministinių politikos ribų, duomenų saugojimo (retention) garantijų, atskyrimo taisyklių ar formalių audito procesų. Taip pat projektas nepateikia jokių našumo etalonų (benchmarkų), kurie parodytų, kaip toks LLM valdomas metodas laikosi prieš klasikinį vektorių paieškos greitį didelėse atminties bazėse. Skaitant visą atmintį per LLM, augant įrašų kiekiui, kyla natūralus klausimas dėl mastelio ir žetonų sąnaudų — tą teks pačiam pasverti.

Ką tai reiškia Lietuvos kūrėjams

Lietuvos startuoliams ir programuotojams, kuriantiems pokalbių botus, vidinius žinių asistentus ar agentus, tai visų pirma pigi ir greita atspirties schema. Vietoje to, kad iškart tempus „sunkų“ RAG steką su vektorių DB, galima nuo tokio SQLite pagrindu veikiančio šablono pradėti MVP ir patikrinti idėją beveik be infrastruktūros kaštų. MIT licencija leidžia naudoti ir komerciškai. Bet produkcijai su realiais klientų duomenimis — ypač jei taikomas GDPR ar sektorinis reguliavimas — atminties valdymą, saugojimo terminus ir auditą teks susidėlioti patiems, nes „iš dėžutės“ to nėra.

Platesniame kontekste tai dar vienas ženklas, kad AI agentų architektūra dar toli gražu nenusistovėjusi. Vektorių duomenų bazės pastaruosius kelerius metus atrodė kaip savaime suprantamas atminties sluoksnio standartas — o dabar net „Google“ inžinierius viešai siūlo, kad daugeliui atvejų užtenka LLM ir paprastos SQLite bylos. Nebūtinai tai nužudys vektorių DB, bet verčia perklausti, ar visada jų iš tikrųjų reikia.