Опубликовано: 28.09.2026 | Источник: The Verge – Tech Section

Перенос памяти между ИИ-ассистентами в ВКР: архитектура, метрики и защита проекта

Google в марте 2026-го выкатил в Gemini две функции — «Import Memory» и «Import Chat History». Пользователь копирует заранее подготовленный промпт в старый чат-бот, получает выгрузку о себе и вставляет её в Gemini, чтобы не «переобучать» ассистента с нуля. На первый взгляд — маркетинговая фича. На самом деле под ней лежит полноценный инженерный пласт: сериализация долговременной памяти LLM, дедупликация фактов, контроль PII и оценка того, насколько «перенесённый» профиль адекватен исходному. Именно этот пласт и есть готовый каркас для дипломной работы по AI/ML, а не пересказ новости.

Основная часть: три вектора ВКР + что писать в каждой главе

Тема 1. Перенос контекста между LLM-ассистентами как задача управления памятью

Актуальность. Статья The Verge прямо описывает сценарий миграции: пользователь не хочет терять накопленный контекст. Значит, возникает задача переноса долговременной памяти между системами с разными форматами хранения.

Цель: спроектировать модуль импорта пользовательской памяти между двумя ассистентами с сохранением семантики фактов.

Задачи:

• формализовать модель памяти пользователя (факты, предпочтения, история диалогов);
• построить схему сериализации (JSON-профиль → embedding-хранилище);
• реализовать дедупликацию и разрешение конфликтов между старыми и новыми фактами;
• оценить качество переноса по метрикам точности и полноты.

Структура: Гл.1 — обзор подходов к памяти LLM (context window, RAG, long-term memory); Гл.2 — архитектура модуля импорта и схема БД; Гл.3 — тестирование на контрольном наборе диалогов.

# Псевдокод дедупликации фактов при импорте памяти
def merge_memory(existing: list[Fact], imported: list[Fact]) -> list[Fact]:
    index = build_vector_index(existing)          # FAISS/pgvector
    merged = list(existing)
    for fact in imported:
        neighbors = index.search(fact.embedding, k=3)
        if any(cos_sim(fact, n) > 0.9 for n in neighbors):
            merged = resolve_conflict(merged, fact)  # более свежий / более конкретный выигрывает
        else:
            merged.append(fact)
    return dedupe(merged)

Тема 2. Метрики качества переноса памяти: от точности до стоимости токенов

Актуальность. Функции Gemini по сути сводятся к «копипасту» через промпт — а значит, качество зависит от того, насколько корректно модель сжала контекст. Это измеримая величина.

Цель: построить систему метрик, которая показывает, теряется ли смысл при переносе.

Задачи: сформировать эталонный датасет диалогов; разметить «критичные факты»; реализовать автоматический замер; сравнить baseline (без памяти) с системой импорта.

Структура: Гл.1 — ISO/IEC 25010 и метрики качества ИИ-систем; Гл.2 — пайплайн оценки; Гл.3 — отчёт с графиками.

Тема 3. Безопасность и приватность при импорте пользовательской памяти

Актуальность. В статье подчёркнуто: пользователь выгружает из старого ассистента всё, что тот «знает» — включая потенциально чувствительные данные. Это классический кейс для раздела «Информационная безопасность» в ВКР.

Цель: спроектировать защищённый конвейер импорта памяти с политикой фильтрации PII.

Задачи: классифицировать типы данных в памяти; построить фильтр на основе NER; описать модель угроз по OWASP Top 10 for LLM; оформить схему потоков данных.

Структура: Гл.1 — модели угроз для LLM-ассистентов; Гл.2 — реализация фильтра и шифрования at rest; Гл.3 — пентест и оценка остаточного риска.

┌──────────────┐   prompt    ┌──────────────┐
│  Source AI   │ ──────────▶ │  User export │
└──────────────┘             └──────┬───────┘
                                    │ raw memory
                                    ▼
                          ┌─────────────────────┐
                          │ PII/secret filter   │
                          │ (NER + regex)       │
                          └─────────┬───────────┘
                                    │ sanitized
                                    ▼
                          ┌─────────────────────┐
                          │ Gemini Import API   │
                          └─────────────────────┘

FAQ: что спрашивают на консультациях по этой теме

Чек-лист перед сдачей ВКР

Типичные ошибки

Источник: Google is making it easier to import another AI's memory into Gemini (опубликовано 2026-03-26)