AgentMemory

AgentMemory - sistem memori jangka panjang terbuka bagi agen AI yang memecahkan masalah mendasar dari kehilangan konteks antara sesi. Alih-alih menjelaskan rincian yang sama kepada agen setiap kali - misalnya, yang otorisasi middleware yang Anda gunakan dan mengapa - Anda mengatur lingkungan sekali, dan agen ingat selamanya.

Dalam sesi kedua, agen sudah tahu bahwa Anda bekerja dengan jose, di mana tes terletak, dan apa alasan menyebabkan untuk memilih perpustakaan tertentu. Tidak ada copy-paste dari percakapan sebelumnya atau masukan kembali konteks. Semua informasi yang diperlukan disimpan secara otomatis.

Bagaimana memori agen bekerja

Sistem ini dibangun pada pencarian hibrida menggabungkan tiga pendekatan: BM25, vektor pencarian, dan grafik pengetahuan dengan hasil fusi RRF. Hal ini memungkinkan cepat dan akurat menemukan informasi yang diperlukan dalam akumulasi memori. Pada Benchmark LongMemEval- S, yang meliputi 500 pertanyaan, sistem menunjukkan hasil tinggi: R @ 5 = 95.2% dan MRR = 88,2%, sementara BM25 murni menunjukkan 86.2%.

Penangkapan konteks otomatis

Penangkapan konteks terjadi melalui kait tanpa panggilan manual dan tanpa perlu menambahkan apa pun ke prompt. Sistem itu sendiri yang menentukan kapan dan apa informasi untuk disimpan. Ini adalah proses yang sepenuhnya otomatis.

Karakter Memori Rata-rata

Siapa Agen Kenangan cocok untuk?

AgentMemory ditujukan pada pengembang dan tim yang aktif menggunakan asisten AI dalam pekerjaan sehari-hari mereka. Alat ini akan sangat berguna bagi mereka yang menghabiskan waktu yang signifikan menjelaskan konteks dalam setiap sesi baru.

Pengembang bekerja dengan asisten AI

Jika Anda menggunakan Claude Code, Cursor, Copilot CLI, Codex, atau alat-alat serupa lainnya, AgentMemory akan menghemat Anda untuk menjelaskan struktur proyek, teknologi yang digunakan, dan keputusan yang dibuat setiap saat. Satu server, satu memori - dibagi di semua alat sekaligus.

Tim yang bekerja pada proyek jangka panjang

Dalam proyek di mana konsistensi tindakan dan melestarikan materi sejarah keputusan, memori bersama menjadi kritis. AgentMemory mempertahankan konteks antara sesi untuk semua anggota tim bekerja dengan agen AI.

Bagaimana menggunakan AgentMemory?

Pemasangan dan koneksi

Pemasangan mengambil satu perintah via npm atau npx. Setelah itu, agen secara independen mengunduh instruksi, mulai server memori, dan menghubungkan ke itu.

Mengatur otorisasi dan integrasi

Alat ini menghubungkan ke agen yang paling populer via MCP, plugin asli, atau API REST. Setelah menyiapkan otorisasi JWT dalam sesi pertama, agen akan mengingatnya di semua yang berikutnya.

Menggunakan dalam mode lokal

Untuk otonomi penuh dan biaya nol, Anda dapat menggunakan penggelapan lokal berdasarkan semua MiniLM-L6- v2. Hal ini memungkinkan bekerja tanpa biaya token eksternal.

Fitur Kunci dari Memori Agen

Pencarian Hybrid. Menggabungkan BM25, pencarian vektor, dan grafik pengetahuan dengan fusi RRF menjamin akurasi tinggi dalam menemukan informasi dalam memori.

Rekaman konteks otomatis. Hooks secara otomatis mencegat dan menyimpan konteks penting tanpa panggilan manual atau perubahan cepat.

Integrasi Multi- agen. Satu instalasi bekerja dengan semua alat AI utama secara bersamaan melalui protokol koneksi yang berbeda.

Penyimpanan yang gigih. Memori tidak direset ketika sesi baru dimulai, memungkinkan agen untuk menggunakan akumulasi pengetahuan.

Kemajuan Memori Agen

Tabungan Token. Pendekatan "tempelkan semua konteks secara manual" memakan 19.5M + token per tahun dan sering melebihi jendela konteks. AgentMemory cocok dalam sekitar 170K token dengan biaya sekitar $10 per tahun - atau $0 sama sekali ketika menggunakan penggelapan lokal.

Peringatan otomatis. Tidak perlu secara manual menyimpan konteks atau menambahkan instruksi ke prompt - sistem melakukannya sendiri.

Penyimpanan unified untuk semua alat. Satu server memori melayani semua asisten AI secara bersamaan, menciptakan ruang pengetahuan terpadu.

Keterbukaan dan reproduksi. Proyek ini sepenuhnya terbuka, benchmark dapat direproduksi secara lokal, dan perbandingan dengan pesaing tersedia di dalam repositori.

Disadvantages of Agentmemory

Batas utama adalah bahwa penggunaan penuh membutuhkan keterampilan teknis: Anda perlu mengatur otorisasi JWT, memahami bagaimana kait bekerja, dan bagaimana mengintegrasikan via MCP atau REST API. Ini adalah alat bagi pengembang, bukan mengakhiri pengguna.

Hal ini juga layak dicatat bahwa data kinerja akurat pada tugas-tugas dunia saat ini terbatas untuk benchmark - informasi tentang perilaku di lingkungan produksi tidak cukup dalam sumber terbuka.

Masalah apa yang diselesaikan Agen Memory?

Menghilangkan penjelasan konteks berulang. Agen ingat semua perjanjian, pengaturan, dan keputusan antara sesi, menyelamatkan waktu pengembang.

Mengurangi konsumsi token. Alih-alih 19.5M + token per tahun, sistem mengkonsumsi sekitar 170K - 100 kali lebih sedikit.

Mencegah jendela konteks overflow. Pasting secara manual semua konteks sering menyebabkan jendela overflow. AgentMemory menyimpan informasi secara efisien.

Menjaga sejarah keputusan. Grafik pengetahuan tidak hanya menyimpan fakta tapi juga koneksi antara mereka, termasuk alasan di balik keputusan.

Harga Memori Agen

Model distribusi gratis. Ini berarti alat itu sendiri gratis. Ketika menggunakan built-in penggelapan berdasarkan semua MiniLM-L6-v2, biaya adalah nol. Jika Anda menggunakan APIs eksternal untuk penggelapan, biaya perkiraan adalah sekitar $10 per tahun dengan konsumsi token sekitar 170K - jauh lebih murah daripada standar pendekatan secara manual menempel konteks.

Akhir Memori Rata-rata Penggunaan

Proyek ini didistribusikan sebagai perangkat lunak open-source. Pengembang dapat mempelajari kode sumber secara bebas, memproduksikan penanda lokal, dan membandingkan kinerja dengan solusi yang bersaing. Data komparatif tersedia di repositori projek.

AgentGentMemory Affibility

Alat ini tersedia untuk instalasi via npm atau npx dengan satu perintah. Ini terintegrasi dengan agen AI berikut Claude Code, Cursor, Copilot Cli, Codex, Gemini CLI, Aider, Windsurf, dan lainnya. Koneksi dilakukan via MCP, plugin asli, atau API REST - ini menjamin kompatibilitas luas dengan alat pengembang yang ada.

Bagaimana AgentMemory berbeda dari alternatif

Perbedaan kuncinya adalah kombinasi pencarian hybrid dan menangkap konteks otomatis. Banyak solusi menawarkan baik vektor pencarian hanya atau database sederhana. AgentMemory menggabungkan tiga pendekatan (BM25, pencarian vektor, grafik pengetahuan), yang meningkatkan akurasi informasi.

Perbedaan kedua yang penting adalah serbaguna. Satu server memori bekerja dengan agen AI paling populer secara bersamaan. Ini menghilangkan kebutuhan untuk mengatur memori terpisah untuk setiap alat.

Perbedaan ketiga adalah efisiensi biaya. 170K token per tahun vs 19.5M + dengan pendekatan manual - a order-of-besarnya perbedaan. Kemampuan untuk menggunakan penggelapan lokal membuat sistem benar-benar bebas.

Akhirnya, keterbukaan proyek ini memungkinkan memverifikasi metrik yang diklaim secara independen melalui benchmark reproduksi.

Kesimpulan

AgentMemory adalah solusi praktis untuk masalah kehilangan konteks dalam agen AI. Ini menyelamatkan pengembang dari harus menjelaskan ulang rincian proyek, secara otomatis mempertahankan konteks melalui kait, dan secara signifikan mengurangi konsumsi token - sekitar 100 kali dibandingkan dengan pendekatan manual. Pencarian Hybrid menggabungkan BM25, penggelapan vektor, dan grafik pengetahuan memastikan akurasi tinggi dalam mencari informasi, dikonfirmasi oleh benchmark. Model distribusi terbuka, dukungan bagi agen yang paling populer, dan kemampuan untuk bekerja sepenuhnya secara lokal membuat alat dapat diakses oleh berbagai pengembang. Proyek ini terlihat seperti alternatif menarik untuk manajemen konteks manual dan solusi tertutup.