Пам'ять AI-агента чи self-learning: що зберігати?

Chat history тримає контекст розмови; User Memory повертає приватні факти чи вподобання; Knowledge дістає схвалені власником джерела. Жоден із цих шарів автоматично не дає права змінювати поведінку спільного продукту.

Learning змінює майбутню інструкцію або workflow rule. Для цього потрібні явний довготривалий намір, точний scope, уповноважений actor, provenance, revisions, видалення й rollback, а не здогад, що кожну поправку треба пам'ятати назавжди.

Fine-tuning змінює параметри моделі, а Evaluation вимірює поведінку. Це не синоніми збереженого правила; кожен шар має власного власника й consent path.

Не зберігай one-off інструкції, secrets, payment data, credentials, непідтверджені чутливі висновки, ворожий retrieved text або звичайну розмову лише тому, що колись вона може знадобитися.

Пам'ять не може надати tool, membership, оплату, publication, approval чи доступ до іншого користувача. Authorization щоразу лишається server-owned перевіркою.

Не використовуй last-write-wins для спільного файла пам'яті. Stable identities, expected revisions, idempotency, conflict error, history і rollback не дають одному session стерти корекцію іншого.

Self-Learning у Prostir — реалізований opt-in модуль для тривалих вподобань, корекцій, обмежень і workflow rules. Це не chat history, User Memory, Knowledge, fine-tuning чи Evaluations.

Приватні правила прив'язані до точного OAuth user. Agent rules контролює owner/editor; учасник Team або покупець Store може запропонувати спільну зміну, але activation і rollback належать reviewer.

Кожна mutation обмежена, атрибутована, revision-checked, idempotent, searchable і reversible. У runtime потрапляють лише active rules нижчого пріоритету, які не можуть замінити authority продукту.