Хабр публикует практическое руководство по сборке мультиагентного чат-бота с долговременной памятью на связке LangGraph, Mem0, RAG и кастомного веб-скрапера. Автор описывает типичную проблему LLM-агентов: потеря контекста между сессиями, невозможность помнить предпочтения пользователя и прогресс по задачам.

Mem0 выступает отдельным слоем памяти поверх RAG: сервис постоянно записывает взаимодействия, поддерживает разные типы данных (текст, изображения, голосовые заметки, PDF) и позволяет по запросу извлекать до 50 релевантных «воспоминаний» для конкретного user_id. Поверх этого строится RAG-контур: веб-скрапер собирает до 30 свежих статей из RSS Seeking Alpha, Yahoo Finance и Investing.com, контент индексируется во векторном хранилище FAISS, а FlashrankRerank и ContextualCompressionRetriever отвечают за переранжирование и сжатие выдачи.

LangGraph используется для оркестрации конвейера: граф последовательно выполняет извлечение воспоминаний и документов, генерацию ответа моделью GPT-4o и запись новой истории обратно в Mem0. Такой подход позволяет собирать stateful-агентов для ресерча и бизнес-задач: они удерживают долгосрочный контекст, персонализируют ответы и снижают операционные затраты на поддержку сложных RAG-проектов.