Memento kontoris: miks AI-agendid unustavad ja mis tegelikult aitab

Amproni inimeste kõrval töötab meil AI-agentide meeskond. Nende käes on müügi järeltegevused, rahandus, tootmise planeerimine, igapäevane töökorraldus ja muudki. Igal neist on roll, tööriistad ja vastutus, umbes nagu juhil väikeses ettevõttes.

Nendega töötamise juures ajab kõige rohkem närvi asi, mida on ka kõige raskem seletada inimesele, kes pole seda ise kogenud: nad ei mäleta midagi. Agent võib kell kümme hommikul teha suurepärase töö ja kell üksteist ei ole tal aimugi, et see üldse juhtus. Meil, inimestel, on seda peaaegu võimatu ette kujutada. Seepärast tahan selgitada, kuidas see päriselt käib, mida ütleb teadus 2026. aasta lõpus ja mida me selle põhjal muudame.

Mudel ei mäleta kunagi. Ta ainult loeb.

Suurel keelemudelil on kahte liiki „teadmisi“.

Esimene on tema treening: miljardid arvud, mis pandi paika mudeli ehitamisel. Siin asub tema üldine oskus: kirjutada, arutleda, teada, mis on arve. See on kõigi klientide jaoks sama ega muutu kasutamise ajal.

Teine on tema tööaken, mida nimetatakse kontekstiks. See on tekst, mis pannakse mudeli ette üheks käivituseks: tema juhised, vestlus, dokumendid ja tööriistade tulemused, millega ta töötab. Mudel loeb kogu akna läbi, annab vastuse või teeb toimingu ning seejärel visatakse aken ära.

Muud ei ole. Ei ole kolmandat kohta, kuhu mudel vaikselt talletaks, mida ta sinu ettevõtte kohta õppis. Kõik, mida ta näib „mäletavat“, pandi tema ette tekstina selle käivituse alguses.

Isegi tavaline vestlus töötab nii. Iga vastus on täiesti uus käivitus. Tarkvara lihtsalt saadab iga kord kogu vestluse uuesti, uus sõnum lõpus. Kui vestlus läheb liiga pikaks, võetakse vanemad osad kokku või jäetakse välja ning üksikasjad kaovad. Kui vestlus suletakse, kaob see mudeli vaateväljast, kui just miski ei kopeerinud olulisi osi mujale.

Parim võrdlus: „Memento“

Kui oled näinud Christopher Nolani filmi „Memento“, saad AI-agentidest juba aru.

Peategelane Leonard ei suuda luua uusi mälestusi. Tema oskused ja üldteadmised on alles. Ühe stseeni piires on ta täiesti võimekas. Kuid iga mõne minuti järel tema mälu nullitakse ning ainus, mis talle ütleb, kes ta on ja mida ta teeb, on märkmed, mille tema varasem mina maha jättis: polaroidkaamera fotod, kritseldused, tätoveeringud.

Täpselt selline on AI-agent. Treening on alles, midagi uut külge ei jää ja kõik, mida ta oma olukorra kohta teab, tuleb märkmetest.

Filmi tegelik iva on kõige teravam õppetund kõigile, kes agentidega ehitavad: Leonard usaldab oma märkmeid täielikult ja tal pole mingit võimalust neid kontrollida. Vale märkme järgi tegutseb ta täie enesekindlusega. Aegunud fakti lugev agent käitub samamoodi. Ta ei kõhkle. Ta usub.

„Miks mitte hoida seda mälukiibil, mitte tekstifailides?“

See oli minu esimene inseneriinstinkt ja ilmselt ka sinu oma. Märkmete kirjutamine tekstifailidesse ja nende tagasilugemine on ju kindlasti algeline?

Selgub, et fail ei ole kitsaskoht. Tekstifaili lugemine võtab millisekundeid. Piirang on selles, et mudel saab uut teavet vastu võtta ainult kahel viisil: konteksti kaudu (teksti lugedes) või oma treenitud arve muutes (ümbertreenimisega). Märkmete viimine kiiremale riistvarale ei muuda kumbagi.

Teenusepakkujad hoiavad juba praegu osa asju kiires riistvaramälus. Kui mudel on lugenud pika tekstiploki, saab selle sisemise esituse panna vahemällu, nii et järgmine sama algusega päring on kiirem ja odavam. See kiirendab lugemist. Mudel ei hakka sellest midagi paremini mäletama ega mõistma.

Tõeline „mälu mudeli sees“ tee on uuendada mudeli enda arve töö käigus. Teadlased teevad selle nimel kõvasti tööd. Näiteks Google’i Nested Learningu uurimus ja selle „Hope’i“ arhitektuur sihivad mudeleid, mis õpivad pidevalt edasi, ilma et vanad oskused üle kirjutataks. 2026. aasta sügise seisuga kirjeldatakse seda tööd endiselt kontseptsiooni tõestusena ja ükski mudel, mida saab täna osta ja päriselt kasutada, seda ei kasuta. Ettevaatlik tasub olla ka siis, kui see kord kohale jõuab: mudeli sisse peidetud teadmist ei saa kergesti üle vaadata, parandada ega kustutada. Vale fakti tekstifailis saab üles leida ja parandada. Vale fakt mudeli sees on Leonardi foto, mis on peidetud tema enda pähe.

Nii et lähitulevikus on praktiline vastus: anna mudelile paremad märkmed, paremini korrastatult, õigel hetkel.

Mida ütleb teadus 2026. aastal

Agentide mälust on saanud üks AI kõige tihedamaid uurimisvaldkondi. Üks 2026. aasta oktoobris avaldatud ülevaade luges kokku üle 3000 selleteemalise teadustöö, neist üle 2000 ainuüksi sellest aastast. Mõned tulemused paistavad silma ja need ühtivad hästi meie enda kogemusega.

• Õige märkme leidmine on palju olulisem kui see, kuidas see kirjutati. See, kuidas mälu üles otsiti, muutis täpsust umbes 20 punkti võrra. See, kuidas see kirja pandi, ainult 3–8 punkti võrra.
• Muutuvad asjad kuuluvad struktureeritud kirjetesse, mitte jutustavasse teksti. Selliste küsimuste puhul nagu „mitu avatud tellimust meil on?“ olid struktureeritud kirjed peaaegu alati õiged. Vabatekstiliste märkmete otsing eksis sageli rängalt.
• Vanad faktid peavad olema märgitud asendatuks. Kui uuem fakt ütleb otse „see asendab selle“, kaovad aegunud vastused peaaegu täielikult. Kui süsteem lihtsalt otsib sarnast teksti, pakub see arvestataval osal juhtudest aegunud teavet.
• Agendid ei lähe usaldusväärselt ise vaatama. Ühes uuringus tegi agent, kelle käsutuses oli täis mäluhoidla, enam kui saja sammu jooksul null päringut. Agenti ümbritsev tarkvara peaks andma talle asjakohase mälu ise kätte, mitte ootama, et ta küsiks.
• Kokkuvõtmine kaotab reeglid. Pikad vestlused surutakse ruumi säästmiseks kokku ja reeglid on esimeste seas, mis kaovad.
• Mälu saab mürgitada. Kui agent kirjutab e-kirjast loetu oma mällu, saab pahatahtlik e-kiri istutada vale „fakti“, mida hiljem usaldatakse. Hoiatused juhistes aitavad vaevu. Struktuursed kontrollid, näiteks iga mälukirje päritolu jälgimine, aitavad palju.

Eraldi akadeemiline töö 2026. aasta aprillist sõnastas suurema pildi hästi: kui mälu viia mudelist välja märkmetesse, ei kao probleem kuhugi. Sellest saab märkmete hea korrastamise ja leidmise probleem.

Mida meie enda agendid meile õpetasid

Eeldasime, et meie suurim probleem on liiga palju teksti. Meie agentide juhised olid pikaks kasvanud ja arvasime, et olulised reeglid lähevad nende sees kaduma.

Siis analüüsis meie platvormiagent vealogisid, mida meie agendid peavad: ligi 400 kirjet, igaüks lühike „viis korda miks“ analüüs millestki, mis läks valesti. Üle poole neist olid mälu- või järjepidevusvead. Kuid juhiste pikkus põhjustas neist vaid käputäie. Tegelikud põhjused, umbes sageduse järjekorras:

1. Vales kohas kontrollimine ja sellesse uskumine. Agent vaatas ühte süsteemi, ei leidnud midagi ja teatas, et seda „ei ole“ või et see on „juba tehtud“.
2. Aegunud fakti järgi tegutsemine. Vanem kirje ütles, et küsimus on veel lahtine, miski ei märkinud seda lahendatuks ja agent küsis otsust, mis oli tehtud nädalaid varem.
3. Lubadus, mida kunagi kirja ei pandud. „Saadan selle homme“ oli olemas ainult sõnumis, nii et miski ei tuletanud kellelegi meelde.
4. Õppetund, mis oli kirja pandud, kuid ei tulnud õigel hetkel ette. Agendil oli märge, mis selgitas täpselt, kuidas midagi teha, ja ta tegi vea ikkagi. Tema enda sõnul: „Ma ei lugenud seda uuesti.“

Iga üks neist on „Memento“. Mitte unustamine, vaid vale märkme usaldamine või õige märkme vaatamata jätmine.

Ülesehitus, mille poole me liigume

Lahendus ei ole üks suur märkmik. See on kaart pluss kartoteek, kihtidena korrastatud, kus iga käivitus loeb ainult seda, mida tal vaja on.

1. Kaart, alati laaditud ja lühike. Kes agent on, mis on tal praegu laual (avatud lubadused, tähtaega jõudnud järeltegevused, lugemata sõnumid) ja nende märkmete register, mida ta saab avada, igaüks ühel real.

2. Struktureeritud kirjed muutuvate asjade jaoks. Lubadused, otsused, tellimused ja faktid, millel on „kehtib alates“ kuupäev ja „asendatud“ viide. Neist küsitakse täpseid vastuseid, neid ei loeta jutuna.

3. Väikesed lingitud märkmed, igaüks ühest teemast. Klient, toode, tarnija, korduv probleem. Iga märge ütleb, kust selle teave pärit on ja millal seda viimati kontrolliti, ning lingib seotud märkmetele. Agent järgib linke, kui ülesanne seda nõuab, nii nagu sina klõpsid end vikis edasi.

4. Toorarhiiv, ainult otsimiseks. E-kirjad, dokumendid, vanad vestlused. Keegi ei loe seda tervikuna. Kasulikud leiud tõstetakse märkmeks.

Kolm mehhanismi panevad kihid tööle.

• Tarkvara laadib ette ülesande järgi. Kui agent ärkab, et kliendiga järeltegevust teha, tuvastab süsteem selle kliendi ja paneb asjakohased märkmed tema ette enne, kui ta alustab.
• Õppetunnid ilmuvad tegutsemise hetkel. Enamik korduvaid vigu juhtub siis, kui agent on kasutamas mõnd kindlat tööriista: saatmas sõnumit, loomas vormi, koostamas dokumenti. Vahetult enne seda toimingut näidatakse talle kaks või kolm sellele tööriistale kirja pandud õppetundi. Kui õppetund on range reegel, lükkab tööriist vale sisendi ise tagasi. Süsteemi jõustatud reeglid on paremad kui juhistesse kirjutatud reeglid.
• Korrapärane koristus. Ajastatud läbikäik ühendab topeltmärkmed, märgib aegunud märkmed ära ja hoiab kaardi lühikese, et kartoteek ei muutuks tagasi hunnikuks.

Ohutuse jaoks rakendame ka üht lihtsat reeglit: kõike, mis tuleb väljastpoolt, näiteks e-kirja, saab kirja panna ainult saatja väitena („tarnija ütleb, et tarne võtab kuus nädalat“). Sellest ei saa kunagi reeglit ega korraldust. Neid saavad kirjutada ainult volitustega inimesed.

Ja enne, kui agent tohib öelda „ei leitud“ või „tehtud“, peab ta ütlema, milliseid allikaid ta kontrollis. Juba see üks harjumus lahendab meie vigade suurima rühma.

Kokkuvõte

Tänastele mudelitele ei saa me mälu anda. Me saame kujundada nende ümber oleva paberimajanduse: mida iga käivitus peab kirja panema, millises struktuuris ja mida järgmine käivitus kindlasti esimesena näeb.

Kui ehitad AI-agentidega, on mu nõuanne selline. Ära küsi: „Kuidas panna agent mäletama?“ Küsi seda, mida küsiks lennujuht või vahetusevanem: „Mida on järgmisel vahetusel laual vaja, kui ta tööle tuleb, ja kuidas tagada, et üleandmislogi on õige?“ Parem mälu AI-agentidele ei ole parem aju. See on paremad kirjed ja parem üleandmine.

---

Allikad ja lisalugemist:

• State of AI agent memory 2026: what 3,283 papers show (OpenChamber, oktoober 2026)
• When Continual Learning Moves to Memory: A Study of Experience Reuse in LLM Agents (Hu jt, aprill 2026)
• Google’s Nested Learning and the Hope architecture (The Robotics Media, 2026)
• Claude memory tool documentation (Anthropic)
• Zep: A Temporal Knowledge Graph Architecture for Agent Memory (2025)
• A-Mem: Agentic Memory for LLM Agents (NeurIPS 2025)