Векторный поиск остается критически важным в эпоху больших языковых моделей (LLM), опровергая идею о том, что достижения в области LLM сделали его устаревшим. LLM часто ошибаются не из-за присущих им слабостей, а из-за отсутствия доступа к необходимой контекстной информации, разбросанной по различным источникам. Векторный поиск предоставляет агентам жизненно важный слой памяти для проверки, запроса и восстановления контекста из разрозненных данных. Эта возможность памяти необходима для открытой агентной инфраструктуры, гарантируя, что агенты могут функционировать с различными инструментами и средами выполнения. Рассмотрение подсказок как слоев хранения приводит к неуправляемой сложности, в то время как векторный поиск обеспечивает эффективное извлечение релевантного контекста проекта. Он позволяет агентам отвечать на конкретные запросы о миграции кода, сбоях инструментов, документации и прошлых решениях. Агентам требуется как немедленная рабочая память, так и долговременная справочная память, которую векторный поиск облегчает, извлекая соответствующую информацию, а не перегружая модель. Интерфейс MCP формализует связи между приложениями ИИ и внешними системами, беспрепятственно интегрируя возможности векторного поиска. Эта абстракция обеспечивает переносимость, гарантируя, что агенты могут работать в различных средах. Память агента должна быть заполнена вручную извлеченной информацией, проиндексированной полными метаданными. Извлечение должно быть точным, предоставляя ссылки на источники и используя фильтры метаданных, а не полагаясь исключительно на сходство. Агенты должны быть оснащены достаточным количеством исходных данных для проверки информации и избегания слепого доверия. Векторный поиск в сочетании с происхождением делает память агента высокоэффективной и отлаживаемой. Практический цикл памяти агента включает разбиение по смыслу, встраивание и хранение данных с метаданными, за которым следует извлечение во время выполнения на основе запросов агента. Этот процесс извлечения, опосредованный MCP, позволяет агентам получать доступ к релевантному контексту для принятия решений. Отладка ошибок агента становится управляемой путем изоляции ошибок извлечения от ошибок рассуждения. Инспектируемые слои извлечения позволяют целенаправленно улучшать процессы разбиения, фильтрации и приема данных. В конечном счете, векторный поиск не был заменен, а стал более ценным, поскольку агенты получают доступ к большему количеству внешних ресурсов.