---
title:

Гайд OpenAI з персоналізації контексту

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

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

OpenAI опублікувала свою схему та алгоритм побудови персоналізації. Основна ідея полягає у поділі типів даних та алгоритмі роботи з ними. Описаний метод дозволяє накопичувати поведінкові дані та забезпечувати узгодженість відповідей протягом багатьох сесій. Корисно як приклад того, як вирішувати проблеми агентів.

Далі стислий виклад.

Архітектура пам’яті

  1. Компоненти стану:
    • Профіль: структуровані дані користувача у форматі YAML.
    • Глобальні нотатки: довгострокові вподобання у форматі Markdown.
    • Сесійні дані: тимчасові нотатки та історія поточного діалогу.
  2. Ін’єкція (Injection): релевантні частини профілю та нотаток динамічно вставляються в системний промпт перед кожним викликом моделі.
  3. Дистиляція (Distillation): агент використовує інструмент save_memory_note для автоматичної фіксації нових фактів та вподобань під час діалогу.
  4. Управління контекстом (Trimming): при досягненні ліміту токенів зберігається історія останніх повідомлень, а важливі сесійні нотатки повторно впроваджуються в промпт для збереження зв’язності.
  5. Консолідація: по завершенні сесії виконується асинхронна обробка даних: дедуплікація, вирішення конфліктів та видалення неактуальної інформації.

Принципи роботи

Ієрархія пріоритетів

При виникненні суперечностей у даних використовується такий порядок пріоритетності:

  1. Останнє повідомлення користувача.
  2. Сесійні уточнення.
  3. Глобальні налаштування профілю.

Технічна реалізація

  • Форматування: використання YAML для профілів та маркованих списків для нотаток забезпечує високу передбачуваність інтерпретації моделлю.
  • Інструментарій: явні виклики інструментів для запису пам’яті дозволяють контролювати процес навчання агента.

Оцінка та безпека

Метрики ефективності

  • Точність вилучення: коректність та повнота захоплення нових фактів (Precision/Recall).
  • Якість ін’єкції: вплив пам’яті на відповіді без шкоди для виконання поточного завдання.
  • Консистентність: відсутність дублікатів та суперечливих даних після консолідації.

Безпека (Guardrails)

  • Фільтрація даних: виключення персональної інформації (PII) та паролів із пам’яті.
  • Захист від ін’єкцій: запобігання спробам зміни системних інструкцій через нотатки користувача.
  • Життєвий цикл: механізми автоматичного застарівання та видалення неактуальних даних.