Elasticsearch Platform объединяет память, поиск и состояние в ElasticGPT и AgentEngine

Elasticsearch Platform взяла на себя роль единой базы для памяти, поиска и состояния в двух новых системах: ElasticGPT — внутренний чатбот с более чем 2 000 пользователями, свыше 125 000 чатов и около 400 000 взаимодействий — и AgentEngine, API‑ориентированный фреймворк для автономных агентов. При разработке ElasticGPT команда потратила около недели на подбор модели, тогда как проектирование механизмов ретривала и управления контекстом заняло месяцы, что подчёркивает практическую нагрузку на инфраструктуру данных.

Традиционная enterprise‑архитектура для задач памяти и ретривала обычно сводится к четырём‑пяти разным системам: векторная база для эмбеддингов, документное хранилище для контекста, кеш‑слой для сессий и, иногда, база time‑series для телеметрии. Такая мультисистема даёт дополнительные точки отказа, потребность в нескольких поставщиках и швы интеграции, где данные могут рассинхронизироваться или устареть. AgentEngine реализует на уровне платформы четыре функции памяти, которые в обычной архитектуре потребовали бы отдельных компонентов: эпизодическая память (сессии), семантическая память (долгосрочные факты), процедурная память (логи использования инструментов) и состояние рабочих процессов (снимки выполнения). Для всех функций используется единый индекс или кластер Elasticsearch Platform, что упрощает модель данных и снижает число внешних зависимостей.

Эпизодическая память хранится как поток записей с управлением жизненным циклом индексов (ILM): недавние ходы располагаются на быстром хранилище, через 30 дней данные сжимаются, а через 90 дней автоматически удаляются. Это заменяет роль session‑store вроде Redis и устраняет необходимость в дополнительных cron‑скриптах для перемещения или очистки сессий. Семантическая память аккумулирует извлечённые факты, оценивает их важность и фоново консолидирует связанные элементы с помощью локальных эмбеддингов. Такой подход позволяет заместить специализированную векторную базу данных, уменьшая число отдельных хранилищ и синхронизационных операций при поиске релевантного контекста.

Процедурная память фиксирует, какие инструменты применялись для разных задач, были ли они эффективны и какие корректировки вносились, что создаёт петлю обучения для агентов и заменяет классические аналитические/логирующие системы возможностью структурированных запросов по использованию инструментов. Состояние рабочих процессов сохраняется как сериализованные снимки выполнения, экспортируемые из graph API PydanticAI: при достижении контрольной точки полный граф сохраняется в Elasticsearch, что позволяет возобновлять прерванные рабочие процессы и заменяет backend‑решения вроде Postgres или DynamoDB. В результате унификация снижает общую стоимость владения и уменьшает операционную сложность для разработчиков и операторов, особенно в командах, где важна надёжность и согласованность данных.