ИИ не помнит. Он лишь записывает.

Файлы есть, а памяти нет

Каждый, кто поручал крупный проект агенту ИИ-кодирования, знает это.

Первая задача выполняется блестяще. Вторая – ещё нормально. Когда накапливается около двадцати файлов, происходит нечто странное.

Агент не может найти файл, который сам создал вчера.

$ find . -name "*.md" | head -20
$ grep -r "cache" ./docs/
$ cat ./architecture/overview.md    # "Не тот"
$ cat ./design/system.md            # "И это не тот"
$ grep -r "cache strategy" .        # "А, вот он"

Файл определённо существует. Агент написал его сам. Но он понятия не имеет, где что находится.

Это не баг. Он записал, но никогда не структурировал свою память.

Долговременная память человека работает точно так же

Удивительно то, что этот паттерн структурно идентичен человеческой долговременной памяти.

Ваш мозг хранит десятилетия опыта. Что вы ели вчера на обед, имя классного руководителя в третьем классе, та поразительная фраза из книги, прочитанной в 2019 году.

Всё это хранится где-то. Но когда вы пытаетесь это извлечь?

“Та штука… что же это было… помню, читал в кафе…”

Вы нащупываете зацепки. Ассоциативные воспоминания тянутся следом. Вторгаются нерелевантные воспоминания. Иногда вы так и не находите. Иногда всплывает неожиданно и ниоткуда.

grep агента ИИ-кодирования структурно идентичен человеческому “что же это было…”

Информация хранится. Извлечение – хаос.

Проблема не в хранении, а в извлечении

Этот момент должен быть сформулирован точно.

У сегодняшнего ИИ нет проблем с записью. LLM пишут хорошо. Они создают прекрасно структурированные документы в Markdown. Генерируют код, составляют резюме, создают аналитические отчёты.

Хранение – уже решённая проблема.

Нерешённым остаётся извлечение.

Когда накопилось сто файлов, ни один ИИ в мире не может мгновенно ответить: “Где стратегия кэширования, которую мы обсуждали три недели назад?”

Каждая система ИИ “решает” эту проблему одинаково. Прочитать всё заново. Или искать по ключевым словам.

Это как библиотека с миллионом книг, но без каталожных карточек. На каждый вопрос библиотекарь просматривает полки от начала до конца.

Один шаг: структурированная карта файлов

Решение не так далеко. Это один шаг.

Один файл .memory-map.md.

# Карта памяти
Последнее обновление: 2026-02-26

## Архитектура
- architecture/cache-strategy.md: 3-ступенчатый дизайн кэша рассуждений (1/28)
- architecture/wms-overview.md: Структура центрального узла WMS (1/30)

## Кодовые книги
- codebook/verb-sidx.md: SIDX-маппинг для 13 000 глаголов (1/29)
- codebook/entity-top100.md: Система классификации верхнего уровня сущностей (1/31)

## Решения
- decisions/2026-01-28.md: Обоснование перехода на полное SIMD-сканирование
- decisions/2026-01-31.md: Решение о приоритете Go AST proof-of-concept

## Открытые вопросы
- open/query-generation.md: Метод генерации запросов для извлечения из кэша -- не определён
- open/entity-codebook-scale.md: Стратегия маппинга 100M сущностей -- не определена

Вот и всё.

После каждой задачи добавьте одну строку в эту карту. Перед началом следующей задачи прочтите этот один файл.

Готово.

Не нужен find. Не нужен grep. Вместо перебора пятидесяти файлов – одна карта, и этого достаточно.

Почему одно это уже даёт драматический прирост производительности?

Разложим время, которое агент ИИ-кодирования тратит на задачу.

Общее время задачи: 100%

Собственно мышление и генерация: 30-40%
Обнаружение и исследование контекста: 40-50%
Исправление ошибок и повторные попытки: 10-20%

Ключ – средние 40-50%.

“Время, потраченное на выяснение того, что было сделано ранее” составляет половину общего. По мере роста проекта эта доля увеличивается. Когда файлов становится 200, исследование может превысить 70% общего времени.

.memory-map.md сокращает эти 40-50% практически до 0%.

Чтение карты занимает одну секунду. Мгновенно знаешь, где нужный файл. Начинаешь работать немедленно.

Когда время исследования стремится к нулю, агент может посвятить почти всё время собственно мышлению и генерации.

Драматическое улучшение воспринимаемой производительности – естественное следствие.

Человечество уже изобрело это

Это не новая идея. Люди изобрели то же решение тысячи лет назад.

Оглавление – именно это.

Представьте книгу без оглавления. Чтобы найти конкретный материал в 500-страничной книге, пришлось бы начинать чтение с 1-й страницы.

С оглавлением? Видите “Глава 3, Раздел 2, стр. 87” и перелистываете прямо туда.

Библиотечная каталожная карточка – именно это.

В библиотеке с миллионом книг найти нужную без каталога невозможно.

Структура каталогов файловой системы – именно это.

Даже при миллионе файлов на жёстком диске вы можете найти нужный, следуя по структуре папок.

Оглавление. Каталог. Директория. Один и тот же принцип.

“Содержимое – там; здесь мы лишь отмечаем, где что находится.”

Самый фундаментальный принцип управления знаниями человечества. И тем не менее в 2026 году ИИ этого не делает.

От карты к интеллекту

.memory-map.md – лишь начало.

Плоский список файлов -> иерархическая классификация -> семантическое связывание -> граф.

Что происходит, когда мы шаг за шагом движемся в этом направлении?

Этап 1: Список файлов (доступно сейчас) “cache-strategy.md находится в папке architecture.” Вы знаете, где что лежит.

Этап 2: Запись связей “cache-strategy.md зависит от wms-overview.md.” “Это решение возникло из того обсуждения.” Вы знаете связи между файлами.

Этап 3: Семантическая индексация “Найти все документы, связанные с эффективностью рассуждений.” Поиск по смыслу, а не по ключевым словам.

Этап 4: Структурированный граф знаний Каждое понятие – узел, каждая связь – ребро. “Покажите причинно-следственную цепочку всех проектных решений, влияющих на стратегию кэширования.” Это становится возможным.

Перейти от Этапа 1 к Этапу 4. Перейти от .memory-map.md к WMS. Перейти от плоского текста к структурированному потоку знаний.

Это один и тот же путь.

Это – основной принцип

Вернёмся к основному принципу этого подхода.

“Процесс рассуждения ИИ не должен отбрасываться – он должен записываться.”

За этим предложением скрыто неявное следствие:

“Записанные рассуждения должны быть извлекаемыми.”

Запись без возможности извлечения – то же самое, что полное отсутствие записи. Память, которую приходится нащупывать через grep, – не память, а корзина для мусора.

Причина структурирования рассуждений, причина использования семантически выровненной системы идентификаторов, причина извлечения релевантных знаний одной битовой маской –

Всё сводится к одному.

Это не проблема записи, а проблема извлечения. Это не проблема хранения, а проблема структуры.

.memory-map.md – самая примитивная реализация этого принципа. И если даже эта примитивная реализация даёт драматический прирост производительности, представьте, что произойдёт, если довести этот принцип до предела.

Резюме

Проблема памяти ИИ – не в хранении, а в извлечении.

  1. Сегодняшний ИИ хорошо пишет файлы, но не может найти файлы, которые написал.
  2. Это структурно идентично ограничениям человеческой долговременной памяти.
  3. Решение было изобретено тысячи лет назад: оглавления, каталоги, директории.
  4. Один файл .memory-map.md может драматически повысить эффективную производительность ИИ.
  5. Доведение этого принципа до крайности приводит к структурированному потоку знаний.

Даже самый изощрённый ИИ работает без единой каталожной карточки. Мы намерены это исправить.