Контекст дороже модели: архитектура персистентной памяти для AI-агентов в долгосрочных проектах

AI-агенты отлично справляются с зеленопольными задачами, но разбиваются о реальность: крупный проект существует годами, содержит тысячи файлов, слои legacy и сотни неочевидных архитектурных решений. Когда вы просите агента сделать задачу в таком проекте — он либо галлюцинирует, либо вы тратите весь контекстный лимит на «введение в курс дела». Мы столкнулись с этим на проектах от 3 до 50 разработчиков и поняли: проблема не в модели, проблема в отсутствии правильной памяти.

Мы построили AI Council — платформу, которая создаёт персистентный граф знаний кодовой базы: 11 000+ нод, 16 000 рёбер, объединяющих классы, функции, зависимости, архитектурные конвенции и решения команды. Граф строится статическим анализом (поддержка PHP, Python, TypeScript, Java, C#, C++) и обогащается семантическим поиском через Qdrant. При старте задачи агент получает не «весь проект», а точно выбранный контекст через MCP-хуки — это дало −40% к расходу токенов и ×2.5 ускорение на задачах типа «исправь баг в модуле X». В докладе — конкретные числа, архитектурные компромиссы и честный разбор того, что не получилось.

Ключевые технические решения: почему мы выбрали Neo4j + Qdrant вместо чистого vector-store; как работает dual-agent схема (dev-агент + mentor-агент с обзором планов); как Temporal управляет оркестрацией воркфлоу анализа и как мы обеспечили изоляцию данных при multi-tenancy. Доклад будет интересен командам, которые уже эксплуатируют LLM в CI/CD или autonomous coding workflows и хотят сдвинуться с уровня «prompt-инженерия» к уровню «production AI infra».