Przejdź do treści

Praktyczne zastosowania

Trwała pamięć w AI: LangGraph i Memanto między sesjami

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

Trwała pamięć w AI: jak LangGraph zapisuje stan wątku i dane między sesjami, czym jest Memanto, jakie deklaruje wyniki i jakie ryzyka niesie pamięć agentów.

Trwała pamięć w AI: LangGraph i Memanto między sesjami
Spis treści
  1. Czym jest trwała pamięć w AI i czym różni się od kontekstu jednej rozmowy?
  2. Czy LangGraph sam pamięta użytkownika?
  3. Czym jest Memanto i jak łączy się z LangGraph?
  4. Jak Memanto wypada na tle pamięci wbudowanej w LangGraph?
  5. Jakie ryzyka niesie pamięć między sesjami?
  6. Jak wdrożyć trwałą pamięć krok po kroku?
  7. Czy trwała pamięć w AI się opłaca?
  8. Najczęstsze pytania
  9. Źródła

Czym jest trwała pamięć w AI i czym różni się od kontekstu jednej rozmowy?

Trwała pamięć to dane o użytkowniku i jego historii, które aplikacja zachowuje po zakończeniu sesji i odczytuje przy kolejnym uruchomieniu. Kontekst rozmowy działa tylko w obrębie jednego wątku. LangGraph rozdziela te poziomy: checkpointer zapisuje stan wątku, a store przechowuje dane między sesjami i wątkami [1]. Dokumentacja opisuje pamięć krótkoterminową jako stan konkretnego wątku oraz pamięć długoterminową jako dane dostępne w kolejnych rozmowach [2]. Obie strony były aktualizowane 29 czerwca i 15 lipca 2026 r. [1][2]

Wyszukiwanie semantyczne w bazie wektorowej znajduje podobne fragmenty tekstu, ale nie odtwarza decyzji, preferencji ani historii zgłoszeń. Do pamięci trwałej potrzebne są trzy elementy: identyfikator użytkownika, namespace i reguła decydująca, co oraz kiedy zapisać [3]. Przewodniki projektowe dzielą pamięć asystentów na krótkotrwałą, długotrwałą i strukturalną, a każda warstwa ma inne kompromisy [4]. Zespoły, które zamykają sesję razem z kontekstem, zaczynają każdą rozmowę od zera [5].

Czy LangGraph sam pamięta użytkownika?

Nie. Framework dostarcza mechanizm zapisu i odczytu, ale nie gwarantuje poprawnego zapisania stanu, rozpoznania użytkownika ani trafnego odczytu pamięci. To zależy od implementacji: namespace'u, identyfikatora i reguł zapisu [1][3].

Checkpointer utrwala stan wątku i pozwala wrócić do wcześniejszego punktu rozmowy. Store działa szerzej: przechowuje dane w namespace'ach, po które aplikacja sięga między wątkami i uruchomieniami [1]. Framework nie decyduje, które informacje są warte zapisania. Zapis wszystkich wiadomości bez selekcji prowadzi do pamięci, w której odnalezienie właściwego faktu staje się trudniejsze niż brak pamięci.

Czym jest Memanto i jak łączy się z LangGraph?

Memanto to open-source'owy agent pamięci dla systemów AI. Udostępnia operacje remember, recall i answer, pamięć semantyczną oraz działanie między sesjami [6][7]. Dokumentacja opisuje go jako warstwę pamięci, a nie gotowego chatbota: aplikacja nadal decyduje, co zapisać i kiedy przywołać wspomnienia [8].

Warunki serwisu wskazują Edge AI Innovations Inc. jako właściciela marki i Memanto jako open-source'owy SDK zbudowany wokół platformy Moorcheh [9][10]. Strona Moorcheh identyfikuje Edge AI Innovations jako podmiot kanadyjski [11].

Integracja langgraph-memanto ukazała się w wersji 0.1.0 4 czerwca 2026 r. Wydanie zawiera narzędzia memanto_remember, memanto_recall i memanto_answer oraz automatyczną inicjalizację. Pamięć działa między uruchomieniami i wątkami, gdy narzędzia korzystają ze wspólnego agent_id [12].

Jak Memanto wypada na tle pamięci wbudowanej w LangGraph?

Porównanie obejmuje zakres danych, trwałość i obowiązki po stronie aplikacji.

KryteriumCheckpointer i store w LangGraphMemanto z integracją langgraph-memanto
Zakres danychstan wątku i dane w namespace'ach [1]typowana pamięć: fakty, preferencje, decyzje [13]
Trwałość między sesjamiwymaga poprawnego store'a i identyfikatora [3]deklarowana domyślnie przez wspólny agent_id [12]
Praca po stronie aplikacjireguły zapisu i odczytu [2]wybór treści i obsługa sprzeczności [8]
Kosztkoszt infrastruktury i utrzymaniatryb on-prem bez klucza, chmura w Moorcheh [9]

Deklarowane wyniki Memanto to 89,8% na LongMemEval i 87,1% na LoCoMo. Liczby pochodzą z pracy arXiv opublikowanej 23 kwietnia 2026 r. i z dokumentacji produktu, więc opisują wynik zespołu, a nie niezależny pomiar [13][14]. Strona produktu zaznacza, że metryki powstają w wewnętrznych benchmarkach w regionie US-East i nie uwzględniają opóźnień sieciowych [14]. Deklarowany czas odczytu to poniżej 90 ms bez opóźnienia indeksowania [13][14].

Memanto wymienia 13 typów pamięci, między innymi fakt, preferencję, decyzję, cel, instrukcję, relację i zdarzenie. Do tego deklaruje wykrywanie sprzeczności i wersjonowanie temporalne [13][6].

Jakie ryzyka niesie pamięć między sesjami?

Największe ryzyko dotyczy tego, kto i co widzi w pamięci. Publiczne zgłoszenie w repozytorium Memanto opisywało sytuację, w której różni użytkownicy mogą dzielić jeden namespace pamięci w integracji z AgentCore i LangGraph [15]. Osobny audyt bezpieczeństwa opisał sesyjny BOLA, prompt injection i enumerację namespace'ów [16]. Oba zgłoszenia są publiczne i dotyczą konkretnych wersji integracji.

Drugie ryzyko dotyczy jakości zapisu. Pamięć agenta potrafi przekształcić własne wnioskowanie w dowód dla przyszłych decyzji, co prowadzi do pętli samowzmacniających. Kontrola ścieżki zapisu ogranicza ten efekt [17].

Trzecie ryzyko jest organizacyjne. Pamięć między sesjami oznacza przechowywanie danych osobowych, więc wdrożenie wymaga podstawy przetwarzania, zakresu retencji i mechanizmu usuwania danych na żądanie. Polecamy ustalić te zasady przed pierwszym zapisem, a nie po.

Jak wdrożyć trwałą pamięć krok po kroku?

  1. Zdefiniuj identyfikator użytkownika i namespace. Bez tego store miesza dane różnych osób [1][3].
  2. Wybierz typy informacji, które warto zapisywać, i usuń z nich dane jednorazowe.
  3. Ustal tryb pracy: on-prem bez klucza API albo chmura Moorcheh z kluczem i limitami [9].
  4. W integracji langgraph-memanto ustaw wspólny agent_id dla narzędzi pamięci [12].
  5. Sprawdź zachowanie po restarcie: czy stan wraca, czy nie mieszają się konta [15].
  6. Dodaj monitorowanie odczytów i test na sprzeczne lub wstrzyknięte treści [16].

Czy trwała pamięć w AI się opłaca?

Memanto jest bezpłatne i open source, a tryb on-prem może działać bez klucza API. Wariant chmurowy korzysta z Moorcheh Cloud i może wymagać klucza oraz podlega limitom rozliczeniowym [9][10]. Aktualne stawki są w cenniku produktu, a koszt zależy od wybranego wariantu i skali [18].

Własna infrastruktura przenosi koszt na utrzymanie bazy i monitoring. Dla małego projektu prostszy bywa store w LangGraph z bazą SQL, dla większego — gotowa warstwa pamięci z gotowymi operacjami [1][6]. Decyzję warto oprzeć na tym, ile pracy pochłonie utrzymanie reguł zapisu i czyszczenia pamięci.

Najczęstsze pytania

Czy LangGraph wystarczy do trwałej pamięci?

LangGraph daje mechanizmy: checkpointer dla stanu wątku i store dla danych między sesjami [1]. Nie daje reguł, które decydują, co zapisać i jak rozpoznać użytkownika. Bez nich framework zapisze wszystko albo nic, a pamięć nie będzie wiarygodna [2][3].

Czym Memanto różni się od bazy wektorowej?

Baza wektorowa wyszukuje podobne fragmenty tekstu. Memanto deklaruje pamięć typowaną: rozdziela fakty, preferencje, decyzje i zdarzenia, wykrywa sprzeczności i wersjonuje wpisy w czasie [13]. Warstwa pamięci nadal wymaga reguł po stronie aplikacji [8].

Czy Memanto jest darmowe?

Memanto jest opisane jako bezpłatne i open source. Tryb on-prem może działać bez klucza API, natomiast wariant chmurowy korzysta z Moorcheh Cloud i może wymagać klucza oraz limitów [9][10]. Stawki i warunki są w cenniku oraz regulaminie produktu [18].

Czy wyniki benchmarków Memanto są niezależne?

Nie. Wartości 89,8% i 87,1% pochodzą z pracy autorów opublikowanej 23 kwietnia 2026 r. oraz z dokumentacji produktu [13][14]. Strona produktu wskazuje wewnętrzne benchmarki w US-East i pomija opóźnienia sieciowe, więc wyników nie należy traktować jako niezależnej weryfikacji [14].

Czy pamięć agenta można zatruć?

Tak. Publiczne zgłoszenia w repozytorium Memanto opisują prompt injection w odzyskanych treściach oraz ryzyko dzielenia namespace'ów między użytkownikami [15][16]. Ochrona obejmuje separację namespace'ów, kontrolę ścieżki zapisu i testy na wstrzyknięte treści [17].

Źródła

  1. Persistence (Docs by LangChain, 2026)
  2. Memory (Docs by LangChain, 2026)
  3. Memory overview (Docs by LangChain, 2026)
  4. Systemy pamięciowe w asystentach AI (Rost Glukhov, 2026)
  5. Problem pamięci AI: kontekst w enterprise AI (Unite.AI, 2026)
  6. MEMANTO — Memory that AI Agents Love (Memanto, 2026)
  7. moorcheh-ai/memanto (GitHub, 2026)
  8. Introduction — Memanto Docs (Memanto, 2026)
  9. Terms — Memanto (Memanto, 2026)
  10. EdgeAI Innovations (Edge AI Innovations, 2026)
  11. About Moorcheh (Moorcheh, 2026)
  12. Release langgraph-memanto v0.1.0 (GitHub, 2026)
  13. Memanto: Typed Semantic Memory with Information-Theoretic Retrieval (arXiv, 2026)
  14. Product — Memanto (Memanto, 2026)
  15. security: different users can share one memory namespace (GitHub, 2026)
  16. Security Audit Report: Session BOLA, Prompt Injection, Namespace Enumeration (GitHub, 2026)
  17. Samowzmacniające pętle pamięci w agentach AI (Rost Glukhov, 2026)
  18. Pricing — Memanto (Memanto, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji