---
title:

Гайд OpenAI по персонализации контекста

date: 2026-01-15
tags: [#openai, #agents, #personalization, #memory, #ai, #llm, #best-practices ]
draft: false
---

https://cookbook.openai.com/examples/agents_sdk/context_personalization

OpenAI выложила свою схему и алгоритм построения персонализации. Основная идея в разделении типов данных + алгоритм работы с ними. Описанный метод позволяет накапливать поведенческие данные и обеспечивать согласованность ответов на протяжении множества сессий. Полезно как пример того, как решать проблемы агентов.

Далее выжимка.

Архитектура памяти

  1. Компоненты состояния:
    • Профиль: структурированные данные пользователя в формате YAML.
    • Глобальные заметки: долгосрочные предпочтения в формате Markdown.
    • Сессионные данные: временные заметки и история текущего диалога.
  2. Инъекция (Injection): релевантные части профиля и заметок динамически вставляются в системный промпт перед каждым вызовом модели.
  3. Извлечение (Distillation): агент использует инструмент save_memory_note для автоматической фиксации новых фактов и предпочтений во время диалога.
  4. Управление контекстом (Trimming): при достижении лимита токенов сохраняется история последних сообщений, а важные сессионные заметки повторно внедряются в промпт для сохранения связности.
  5. Консолидация: по завершении сессии выполняется асинхронная обработка данных: дедупликация, разрешение конфликтов и удаление неактуальной информации.

Принципы работы

Иерархия приоритетов

При возникновении противоречий в данных используется следующий порядок приоритета:

  1. Последнее сообщение пользователя.
  2. Сессионные уточнения.
  3. Глобальные настройки профиля.

Техническая реализация

  • Форматирование: использование YAML для профилей и маркированных списков для заметок обеспечивает высокую предсказуемость интерпретации моделью.
  • Инструментарий: явные вызовы инструментов для записи памяти позволяют контролировать процесс обучения агента.

Оценка и безопасность

Метрики эффективности

  • Точность извлечения: корректность и полнота захвата новых фактов (Precision/Recall).
  • Качество инъекции: влияние памяти на ответы без ущерба для выполнения текущей задачи.
  • Консистентность: отсутствие дубликатов и противоречивых данных после консолидации.

Безопасность (Guardrails)

  • Фильтрация данных: исключение персональной информации (PII) и паролей из памяти.
  • Защита от инъекций: предотвращение попыток изменения системных инструкций через пользовательские заметки.
  • Жизненный цикл: механизмы автоматического устаревания и удаления неактуальных данных.