Continuous context — это способность агентской системы накапливать понимание своего пользователя, его проектов и принятых решений. рост контекста моих агентов с февраля 2026
рост контекста моих агентов с февраля 2026

Недавно общался со стартапом Embody-OY из кремниевой долины. Говорят, следующая прорывная фишка будет непрерывный контекст. У Rabbit r1, типа, не вышло, Ray-Ban Meta* Charm, значит, неизвестно, справится ли, а они, типа, точно смогут создавать эффективный непрерывный контекст.

Эффективный контекст — создается из связанных объектов сущностей, событий, фактов, причин и изменений во времени. При эпизодической памяти агент снова и снова исследует уже известное, задаёт одни и те же вопросы и повторяет прежние ошибки. Шум, дубликаты и устаревшие факты ухудшают качество работы не из-за слабой модели, а потому, что рассуждения строятся на основе неполной или неверной картины мира. Качественный continuous context обладает накопительным эффектом: каждый новый элемент делает следующую работу точнее, быстрее и глубже. И Это вам не самообучение а-ля Hermes. Там все сложнее.

Почему не все так просто: Loop, Apple слепые. Charm+Ray-Ban, Rabbit ограниченно слепые. А решение должны выдавать как зрячие. Над context alignment сидят сейчас Loop, Meta*, Rabbit и Apple. Кто первым стрельнет, тот и на коне.

Не важно зрит ли ваш агент в корень или слепой как крот, но вы можете улучшать контекст вашего агента:

  1. Сохраняйте первичные данные с датой и источником — provenance. Summary только дополняет оригинал. Hello Meetings Auto-Summary… and goodbye.

  2. Sometimes you need to check the extracted entities, events, facts, and their connections.

  3. Auto-generation in the spirit of Graphiti is wonderful, but ambiguous aliases, duplicates, and merges should be confirmed manually. If done disciplined, it will take about as much time as tooth brushing, but it needs to be done regularly.

  4. New information should complement existing information; deletion is only as an intentional surgical intervention. I really hate context castration.

  5. Visualization of graph growth will show isolated nodes, noisy connections, and gaps in your knowledge cloud.

Technologies: OpenClaw Memory Wiki, Markdown, Python, force-directed graph, Pillow and GIF animation.

My solution for building continuous context I will show in the following posts. Or not. As it goes. Because the OCR article didn't go well, it's handwritten, with love.

P.S. On the image, the growth of my agent system's context since February 2026. Did you see how many permanent agents are currently active with me?

P.P.S *Prohibited in the Russian Federation