- Дата публикации
Agentis Memory: Redis-совместимое хранилище с векторным поиском и локальными эмбеддингами для AI-агентов
Что появилось / что изменилось
Agentis Memory — это новое хранилище для AI-агентов, которое ведёт себя как Redis, но сразу умеет работать с векторами и эмбеддингами. Разработчики не предлагают ещё один «умный кеш», а собирают в одном месте то, что обычно разъезжается по трём-четырём сервисам.
Ключевые фичи:
- Redis-совместимый протокол. Клиентские библиотеки и привычные команды остаются теми же, можно подключать Agentis Memory вместо существующего Redis в части сценариев.
- Встроенный векторный поиск. Не нужно поднимать отдельный Qdrant, Milvus или Weaviate. Векторный индекс живёт рядом с обычными ключами.
- Локальные эмбеддинги. Хранилище умеет само считать эмбеддинги на локальной машине. Не нужно слать каждый запрос в облачный API и ждать ответа.
- Фокус на memory management для агентов. Сервис заточен под долгоживущие агенты: хранение истории, «долгой» и «короткой» памяти, быстрый поиск по прошлому опыту.
Авторы продукта прямо опираются на опыт крупных агентных систем, вроде инфраструктуры вокруг Claude CLI: когда один «агент» — это уже не скрипт с промптом, а полноценный бэкенд с кучей служебной логики.
Как это работает
Базовая идея Agentis Memory проста: взять знакомую модель key–value-хранилища и добавить к ней векторное представление данных.
Под капотом происходит следующее:
- Вы пишете в Agentis Memory обычные данные — текст, объекты, состояние агента.
- При записи (или по отдельному вызову) сервис прогоняет текст через локальную модель эмбеддингов и сохраняет получившийся вектор рядом с ключом.
- Для поиска по «похожести» вы отправляете запрос, который тоже превращается в вектор локально.
- Дальше включается векторный индекс: Agentis Memory ищет ближайшие векторы и возвращает связанные с ними ключи и данные.
За счёт локальных эмбеддингов уменьшается зависимость от внешних API: нет сетевой задержки на каждый запрос, нет риска, что провайдер внезапно изменит тарифы или ограничит трафик.
При этом остаётся привычная модель работы: ключи, TTL, стандартные операции чтения и записи, как в Redis. Для разработчика это выглядит как расширенный Redis, который умеет ещё и «понимать» смысл текста через векторы.
Что это значит для вас
Если вы строите не игрушечного, а настоящего агента, который живёт неделями и общается с пользователями или сервисами, память быстро превращается в боль. Нужно хранить историю, выжимки, задачи, результаты, при этом быстро находить нужное по смыслу, а не по точной строке.
Agentis Memory помогает в таких сценариях:
- Агентные бэкенды. Один сервис отвечает и за состояние диалогов, и за векторный поиск по прошлым сообщениям или документам. Меньше инфраструктуры, проще сопровождение.
- RAG-системы. Можно загружать документы, получать эмбеддинги локально и искать по ним без отдельного векторного движка.
- Сложные воркфлоу вокруг LLM. Когда вокруг GPT-4, Claude 3.5 или другой модели крутится много бизнес-логики, Agentis Memory берёт на себя память и поиск по прошлому опыту агента.
Кому это особенно полезно:
- Команды, которые уже привыкли к Redis и не хотят осваивать новый стек только ради векторного поиска.
- Разработчики, которым важен контроль над данными и зависимость от локальных моделей, а не от внешних API.
- Те, кто строит агентные системы, где память — ключевая часть продукта, а не просто лог чата.
Кому может не подойти:
- Маленьким проектам, где хватает обычного Redis и пары таблиц в Postgres.
- Тем, кто не хочет возиться с локальными моделями эмбеддингов и предпочитает полностью облачный стек.
Если продукт потребует VPN или окажется недоступен из России, это сразу ударит по сценарию «всё локально и под контролем». Для команд, которые делают ставку на предсказуемую инфраструктуру, это важный момент.
Место на рынке
Agentis Memory идёт в зону, где сейчас живут сразу несколько классов инструментов:
- Redis / KeyDB / Dragonfly — быстрые in-memory key–value-хранилища.
- Qdrant / Milvus / Weaviate — специализированные векторные базы.
- Облачные эмбеддинги от OpenAI, Anthropic и других — отдельный API, который нужно вызывать из приложения.
Agentis Memory пытается закрыть сразу три задачи:
- Быстрый key–value-слой с интерфейсом, похожим на Redis.
- Векторный поиск без отдельной базы.
- Локальное получение эмбеддингов без внешних API.
По сравнению с классическим стеком «Redis + векторная БД + облачные эмбеддинги» вы получаете один сервис вместо трёх. Это проще в развёртывании и мониторинге, но вы привязываетесь к конкретному продукту и его экосистеме.
Если вам нужен только Redis-совместимый кеш — выгоднее остаться на Redis или его аналогах. Если нужен максимально мощный и тонко настраиваемый векторный движок — логичнее смотреть на Qdrant или Milvus.
Agentis Memory интересен именно там, где на первом месте стоит агент и его память, а не абстрактная «база данных» как таковая.