Redis Iris: новая архитектура контекста и памяти для масштабирования ИИ-агентов

Компания Redis, получившая известность как разработчик инструментов кэширования для высоконагруженных веб-приложений, представила новое решение для индустрии искусственного интеллекта. Платформа Redis Iris призвана решить проблему неэффективной работы ИИ-агентов, которая часто вызвана не ошибками самих моделей, а разрозненностью, неактуальностью или плохой структурой данных. Современные конвейеры поиска информации (RAG), рассчитанные на разовые запросы, не справляются с объемами данных, которые генерируют автономные агенты.

Переход от кэширования к управлению контекстом

Основная проблема заключается в структурном несоответствии: ИИ-агенты отправляют на порядки больше запросов к данным, чем пользователи-люди. В то же время большинство существующих систем поиска строилось в расчете на человеческие масштабы. Redis Iris выступает в роли связующего звена между агентом и необходимыми ему данными, обеспечивая контекст и память в реальном времени.

По словам исполнительного директора Redis Роуэна Троллопа, ситуация напоминает эпоху мобильных приложений: тогда устаревшие банковские системы внезапно столкнулись с миллионами пользователей смартфонов, и Redis стал слоем кэширования, принявшим на себя нагрузку. Однако в случае с ИИ агенты не могут самостоятельно прописывать логику взаимодействия с базами данных — им требуются готовые интерфейсы для получения информации в режиме реального времени.

Ключевые компоненты платформы Redis Iris

Новое решение включает пять основных элементов, обеспечивающих сбор данных, семантический доступ, работу памяти и кэширование:

• Redis Data Integration (RDI): инструмент для непрерывной синхронизации данных из реляционных БД (Oracle, Postgres) и хранилищ (Snowflake, Databricks) в Redis.
• Context Retriever: семантическая модель бизнес-данных, которая автоматически генерирует инструменты для запросов агентов с контролем доступа на уровне сервера.
• Agent Memory: сервер памяти, сохраняющий состояние сессий, что позволяет агентам учитывать контекст прошлых взаимодействий без повторного анализа данных.
• Redis Flex: переработанный движок хранения, где 99% данных размещается на SSD-накопителях, а 1% — в оперативной памяти. Это обеспечивает петабайтные масштабы хранения при задержках менее одной миллисекунды, что в 10 раз дешевле использования исключительно оперативной памяти.
• Redis Search и LangCache: база для семантического поиска и кэширования ответов моделей, снижающая затраты на повторяющиеся запросы.

Тренды рынка и мнение экспертов

Анонс платформы состоялся на фоне активной трансформации инфраструктуры ИИ. Согласно исследованию VB Pulse, намерение компаний внедрять гибридные системы поиска выросло с 10,3% до 33,3% всего за три месяца. Оптимизация поиска впервые стала более приоритетной задачей для предприятий, чем оценка качества моделей.

Аналитики отмечают, что рынок движется к единому выводу: ИИ-агентам нужны не просто дополнительные мощности или более совершенные модели, а управляемый и актуальный контекст с минимальными задержками. Как подчеркивают эксперты HyperFRAME Research, успешными станут те платформы, которые сделают работу агентов быстрее, дешевле и безопаснее с точки зрения корпоративного управления.

Практическое применение в медицине

Опыт внедрения подобных технологий уже есть у Mangoes.ai — платформы голосового ИИ для медицинских учреждений. В условиях, когда ошибки в контексте напрямую влияют на результаты лечения, компания использует Redis для управления памятью и сессиями в реальном времени.

В ходе часовой групповой терапии системе необходимо точно знать, кто, что и когда сказал, чтобы моментально предоставлять терапевту нужную информацию. Платформа запускает несколько специализированных агентов параллельно: один определяет участников, другой анализирует связи, третий работает с историей болезни. Динамическая память позволяет объединять эти данные в единый поток без необходимости ручной стыковки различных инструментов.

Будущее корпоративной ИИ-архитектуры

Для компаний, построивших свои ИИ-стеки на базе классического RAG, наступает этап перемен. Если раньше данные передавались агенту перед вызовом модели, то теперь архитектура меняется: агенты сами извлекают нужную информацию во время работы через вызовы инструментов. Семантический слой становится критически важной частью ИИ-инфраструктуры, требующей дисциплинированного подхода к управлению данными и правилам доступа.

Бюджеты компаний уже перераспределяются в сторону оптимизации систем извлечения информации. Организации, которые сейчас определят архитектуру контекста, смогут избежать масштабной перестройки систем в будущем, когда нагрузка от ИИ-агентов вырастет многократно.

Твитнуть