Проблемы · Практическое руководство

Память AI-агента и RAG: в чём разница

Память AI-агента и RAG: в чём разница. Решение строится на preflight, проверенных outcomes и ограниченной памяти о неудачных подходах.

Создать бесплатный проект Playground

1. Начни с preflight

Перед существенным действием спроси, до какой проверенной точки дошёл проект.

from magla_memory import Memory import os memory=Memory(os.environ["MAGLA_MEMORY_API_KEY"]) work=memory.preflight("продолжить память ai-агента и rag: в чём разница",current_context="",limit=8) print(work)

2. Выполни и проверь

Запусти реальный инструмент или workflow. Сохрани work_receipt: слова модели сами по себе не становятся состоянием проекта.

3. Закрой цикл

После проверки вызови record_outcome. Проверенный неудачный путь фиксируй через record_failure, чтобы он не расширялся за пределы доказательств.

Подключение без лишней установки

1. Получи ключ проекта

Создай проект на русской странице. Ключ показывается один раз.

2. Python

curl -fsS https://magla-memory.5-180-47-236.sslip.io/sdk/python -o magla_memory.py export MAGLA_MEMORY_API_KEY='mmc1.…'

3. Remote MCP

URL: https://magla-memory.5-180-47-236.sslip.io/mcp Authorization: Bearer <MAGLA_MEMORY_API_KEY>

Локальный MCP-сервер MAGLA Memory поднимать не требуется.

Проверка непрерывности в двух сессиях

Сессия A

preflight → одно ограниченное действие → проверка → record_outcome с evidence.

Сессия B

Открой новый чат или другую модель → preflight → убедись, что предыдущий проверенный checkpoint стал точкой продолжения.

Публичный контракт

statuspreflightcontextrecord_outcomerecord_failure

Публичная поверхность намеренно ограничена пятью операциями.