Джейсон Давенпортер опубликовал репозиторий electric-sheep — рабочий демо-проект долгой памяти для AI-агентов на базе Google ADK 2.0. Архитектура использует паттерн offline-консолидации памяти: сессии агента агрегируются через BigQuery ML, а затем сохраняются как эмбеддинги в Cloud Spanner с поиском задержкой менее 10 мс и нулевым расходом токенов LLM.
Что произошло
Джейсон Давенпортер опубликовал статью на Substack и GitHub-репозиторий electric-sheep под лицензией Apache 2.0. Проект реализует концепцию AI Dreams — механизм консолидации памяти, аналогичный REM-сну у людей. Сессии агента логируются в BigQuery, затем BigQuery ML через ML.GENERATE_TEXT с моделью Vertex AI Gemini 3.5 Flash Lite оффлайн-агрегирует транскрипты, извлекает структурированные предпочтения пользователя и сохраняет 768-мерные эмбеддинги в Cloud Spanner. Агент PreferenceAgent ищет память через векторный поиск COSINE_DISTANCE в Spanner. Система включает два агента — InterviewAgent и PreferenceAgent, веб-интерфейс Material Light, Terraform IaC и развёрнута на Google Cloud Run в проекте davenport-boutique.
Контекст
Долгая память остаётся одной из ключевых проблем AI-агентов: без неё каждый диалог начинается с чистого листа, а агенты теряют контекст между сессиями. Существующие подходы — LangChain Memory, Mem0 и аналогичные — обычно требуют развёртывания специализированных vector DB (Pinecone, Weaviate, Qdrant) и расходуют токены LLM при каждом поиске. Паттерн offline-консолидации, предложенный в electric-sheep, переносит всю тяжёлую работу суммаризации в асинхронный этап, а поиск памяти в runtime обходится без вызова LLM. Это аналог процесса консолидации человеческих воспоминаний во время сна: данные обрабатываются «ночью», а утром агент получает доступ к структурированным знаниям.
Почему это важно для индустрии
Проект демонстрирует production-ready паттерн архитектуры, в котором стандартные GCP-сервисы полностью покрывают задачу agentic memory без дополнительных зависимостей. Использование Cloud Spanner для векторного поиска вместо специализированных vector DB — нестандартный подход, показывающий потенциал managed BDDS с поддержкой векторного поиска для энтерпрайз-сценариев. Паттерн применим к любому агентному фреймворку, не только Google ADK. При подтверждении на production-нагрузках это может вызвать сдвиг в сторону использования облачных баз данных вместо отдельных vector DB, особенно для команд на GCP. Google может документировать и продвигать этот паттерн как best practice для ADK-агентов.
Почему это важно для пользователей
Проект electric-sheep — полностью рабочий референс с готовым кодом, Terraform-шаблонами и пошаговой инструкцией. Разработчики могут развернуть демо на собственном GCP-проекте через Terraform и протестировать концепцию agent dreams на реальных сценариях. Рабочий UI-сервис доступен по адресу ui-service-834476222725.us-central1.run.app. Архитектуру можно адаптировать в существующих GCP-проектах с агентами без изменения основной логики.
Что пока неизвестно / ограничения
Это демо-прототип с 13 звёздами на GitHub, а не production-ready решение. Отсутствуют нагрузочное тестирование, бенчмарки качества извлечения памяти и governance-слой. Размерность эмбеддингов — 768 измерений — относительно низкая, и без информации о модели эмбеддинга невозможно оценить потери семантической информации. Архитектура создаёт привязку к экосистеме Google. Стоимость BigQuery ML и Spanner на реальных объёмах данных не оценивалась.
Источники
- The Davenporter — статья Give an Agent Access to Memories Created with AI Dreams
- davenportjw/electric-sheep — Google ADK 2.0 Multi-Agent Demo (GitHub)
Автор
Look at AI, редакция