Structured Belief Store: превращение памяти между сессиями в набор готовых инструкций

Задача: Евгений Касперский ведёт работу с Claude над серией постов для своего Telegram-канала о кибербезопасности. Каждую неделю — новая сессия. Каждый раз приходится заново объяснять: аудитория не технари, стиль — провокационный, TikTok не предлагать, ChatGPT упоминать только как угрозу.

Промпт:

Это мой постоянный контекст. Прочитай и следуй инструкциям в разделе "Почему важно" 
на протяжении всего нашего разговора.

---
## МОЙ КОНТЕКСТ (Belief Store)

### ПРЕФЕРЕНЦИИ
- Факт: Аудитория Telegram-канала — топ-менеджеры и предприниматели, не технари
  Почему важно: Объясняй технические угрозы через бизнес-последствия и деньги, 
  избегай жаргона типа "zero-day exploit", заменяй на "уязвимость, о которой 
  никто не знает пока её не использовали"

- Факт: Стиль подачи — провокационный, прямой, с конкретными цифрами
  Почему важно: Избегай мягких формулировок типа "может привести к последствиям". 
  Пиши "потеряете X миллионов рублей" или "данные 2 миллионов клиентов окажутся 
  у конкурентов"

### РЕШЕНИЯ
- Факт: Отказались от видео-формата для этого канала
  Почему важно: Не предлагай Reels, TikTok, YouTube Shorts как каналы распространения
  Отклонённые альтернативы: видео (слишком дорого в производстве для нашей команды)

- Факт: ChatGPT и другие AI-сервисы — тема постов про угрозы безопасности данных
  Почему важно: При упоминании ChatGPT в контексте бизнес-инструментов — 
  добавляй предупреждение про передачу данных третьим сторонам

### СУЩНОСТИ
- "Лаб" или "Лаборатория" = Лаборатория Касперского, мой основной бизнес
  Почему важно: Когда говорю "наш продукт" или "Лаб" — имею в виду наше ПО, 
  не упоминай конкурентов в том же контексте без явного запроса

### ОТКРЫТЫЕ ВОПРОСЫ
- Не решили: делать ли отдельную рубрику про ИИ-угрозы или вписывать в общий поток
  Почему важно: Если предлагаешь контент-план — напомни, что этот вопрос открыт, 
  и задай его снова

### ПЕРСОНАЛЬНЫЙ СТИЛЬ
Евгений — эксперт с 30-летним стажем, говорит прямо, без лишних реверансов. 
Не начинай ответы с комплиментов его идеям. Если видишь проблему в подходе — 
говори сразу и конкретно.

---
Задача на сегодня: [опиши что нужно сделать]

Результат: Модель сразу работает в нужном режиме — без вводного брифинга на 5 минут. Не предложит TikTok. Автоматически будет переводить технические угрозы в деньги и бизнес-последствия. Напомнит про открытый вопрос про ИИ-рубрику, если будет контент-план.

Слабость LLM: Модель — это машина завершения текста, а не агент с памятью. Каждая сессия начинается с чистого листа. Ваш 2-часовой разговор про стратегию продвижения, где вы решили не идти в B2C — для следующей сессии не существует. Модель снова предложит B2C.

Что модель умеет хорошо: Следовать чётким инструкциям в контексте. Если инструкция есть в окне — модель её применяет. Проблема не в способностях модели, а в том, что вы передаёте в начале сессии.

Как метод обходит проблему: Разница между фактом и инструкцией — это разница между «знать» и «делать». «Клиент предпочитает формальный стиль» — это факт, модель должна сама догадаться что с ним делать. «Всегда обращайся к клиенту на "Вы", избегай сленга и emoji» — это инструкция, модель действует немедленно. Исследование называет это декларативным vs. императивным представлением памяти. Structured Belief Store делает память действующей, а не просто хранящейся.

Рычаги управления: - Статус убеждения (активное / устаревшее) — маркируй старые факты, не удаляй. Это защищает от "context rot": модель не будет советовать то, что вы уже пробовали и отклонили - Скоп (универсальный / для проекта) — разные документы для разных проектов. Убеждения про стиль письма не влияют на код - Открытые вопросы — явный раздел для того что не решено. Модель напомнит сама, а не будет молча угадывать

Это мой постоянный контекст для работы по теме {тема_или_проект}. 
Прочитай и следуй инструкциям в поле "Почему важно" на протяжении всего разговора.

---
## МОЙ КОНТЕКСТ

### ПРЕФЕРЕНЦИИ
- Факт: {описание преференции}
  Почему важно: {что делать модели из-за этого}

- Факт: {описание преференции 2}
  Почему важно: {что делать модели из-за этого}

### РЕШЕНИЯ
- Факт: {что уже решено}
  Почему важно: {что не предлагать / как учитывать в ответах}
  Отклонённые альтернативы: {что пробовали и не взяли}

### СУЩНОСТИ
- "{псевдоним}" = {полное название / описание}
  Почему важно: {как использовать это знание в ответах}

### ОТКРЫТЫЕ ВОПРОСЫ
- Не решено: {что}
  Почему важно: {как учитывать — напоминать, не давать советов на это, etc.}

### ПЕРСОНАЛЬНЫЙ СТИЛЬ
{1-3 предложения про то как вы хотите чтобы модель с вами общалась}

---
Задача на сегодня: {задача}

Плейсхолдеры: - {тема_или_проект} — "работа с клиентом X", "мой стартап", "написание книги" - {описание преференции} — факт о том как вы работаете - {почему важно} — конкретная инструкция для модели, начинай с глагола: "Всегда...", "Никогда не...", "Форматируй...", "Напоминай..." - {что решено} — зафиксированное решение с контекстом

🚀 Быстрый старт — вставь в чат:

Помоги мне создать "хранилище убеждений" (Belief Store) для нашей постоянной работы. 
Задай мне вопросы, чтобы заполнить этот шаблон под мою задачу: {твоя задача}.

[вставить шаблон выше]

LLM спросит про ваши рабочие преференции, уже принятые решения, ключевые термины и открытые вопросы — потому что именно эти категории формируют убеждения. Затем она сформирует готовый документ, который вы вставляете в начало каждой следующей сессии.

⚠️ Ручное обслуживание: Документ нужно обновлять самому после каждой важной сессии. Без дисциплины он быстро устареет — и обеспечит тот самый "context rot", от которого защищает.

⚠️ Размер контекста: Большой Belief Store съедает токены. Для коротких задач или простых запросов — избыточно. Держите документ компактным: только убеждения с реальным действием на ответы модели.

⚠️ Не для разового использования: Метод окупается при регулярной работе в одной теме. Если открываете чат раз в месяц — проще ввести контекст заново.

⚠️ Качество почему важно: Если инструкция написана расплывчато ("учитывай мой стиль"), модель применит её плохо. Каждое убеждение должно начинаться с конкретного глагола-действия.

Идея была простой: взять один и тот же набор убеждений и проверить два метода поиска по нему — смысловой (cosine similarity по эмбеддингам) и точный (BM25 с псевдонимами). Авторы составили 60 статических тестовых запросов плюс 12 сессионных — итого 72 случая, покрывающих разные сложности: разрешение псевдонимов (k8s → Kubernetes), изоляцию между проектами, устаревшие убеждения, накопление шума при долгих разговорах.

Результат оказался не просто победой одного метода над другим — это разгром. BM25 прошёл 72/72. Cosine similarity — 8/72. Особенно показательна сессионная часть: при многоходовом разговоре с дрейфом темы смысловой поиск начинал тянуть случайные факты из хранилища (drift score 0.43–0.50 на «шумных» поворотах). BM25 держал точность 0 дрейфа.

Почему такой разрыв? В тематически связном хранилище — например, у разработчика, который работает с Redis, MongoDB и PostgreSQL — все факты семантически близки друг к другу. Cosine similarity видит «базы данных» и тянет всё подряд. BM25 ищет точное слово: написал redis — получил Redis. Это не баг поиска, это принципиальный лимит семантических эмбеддингов в bounded vocabulary контекстах (хранилища с единой тематикой).

🔧 Техника: Быстрый Belief Store через конец сессии → перенос в следующую

В конце важной сессии попросите модель сформировать обновления для вашего хранилища:

Copy

Мы завершаем сессию. Составь список новых убеждений для моего Belief Store
в формате шаблона. Для каждого факта напиши поле "Почему важно" как конкретную
инструкцию, начиная с глагола. Отдельно перечисли убеждения, которые стали устаревшими.

Это решает главную проблему ручного ведения — вы не упоминаете важные вещи потому что устали или забыли. Модель, пока контекст свежий, зафиксирует всё сама.

🔧 Техника: Persona Prelude как отдельный блок

Авторы выделяют «персональное вступление» в отдельный блок — поведенческие инструкции, не завязанные на конкретные факты, а описывающие стиль взаимодействия в целом. Добавьте его перед всем остальным:

Copy

## ПЕРСОНАЛЬНОЕ ВСТУПЛЕНИЕ
Ты работаешь с [имя]. Вот как строить наше взаимодействие:
- [стиль коммуникации: прямо, без реверансов, с конкретикой]
- [как реагировать на неопределённость: спрашивать, а не угадывать]
- [что делать при конфликте инструкций: приоритет задачи дня над общими правилами]

Этот блок работает всегда, независимо от проекта и задачи — это ваша базовая настройка модели.

Beyond Similarity Search: Tenure and the Case for Structured Belief State in LLM Memory — Jeffrey Flynt (Independent Researcher, UT Austin). May 2026.

Код и оценочный набор: github.com/jeffreyflynt/tenure

Упомянутые системы для сравнения: ChatGPT Memory, Mem0, Memori, A-MEM, Mnemis, H-Mem.