SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Jeden plik Pythona zamiast bazy wektorowej: mind próbuje dać agentom pamięć

mind, jednoplikowe narzędzie Da7-Tech, próbuje dać agentom do kodu pamięć między sesjami bez embeddingów, bazy wektorowej czy zapytań do LLM: opiera się na wyszukiwaniu leksykalnym, grafie pojęć i ręcznym słowniku 83 mapowań, a nieużywane fakty gasną według krzywej Ebbinghausa. Autor podaje recall@1 równy 1,00 przy medianie 2,9 ms na grafie 1000 węzłów, choć sam przyznaje, że to tylko 20 zapytań na sztucznych danych. Największe pytanie nie dotyczy algorytmu, lecz tego, czy agent w ogóle zechce sięgnąć do pamięci wszytej w pliki CLAUDE.md i AGENTS.md.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  4 min  · 

Jeden plik Pythona zamiast bazy wektorowej: mind próbuje dać agentom pamięć
Ilustrację przygotowała AI.

Każdy agent do kodu zaczyna sesję z pustą głową. Zamykasz terminal, wracasz nazajutrz i Claude Code czy Codex znów nie wie, nad czym pracujesz, jaka jest baza danych ani dlaczego ten moduł wygląda tak, a nie inaczej. mind, jednoplikowe narzędzie Da7-Tech, próbuje dać agentowi pamięć, która temu zaradza, i robi to w sposób odróżniający go od całej reszty tej półki: bez modelu, bez embeddingów, bez ani jednego zapytania do LLM.

Instalacja to dosłownie jeden plik. Ściągasz mind.py, sprawdzasz jego sumę kontrolną i odpalasz python3 mind.py init. Potem zapisujesz fakt komendą mind remember "baza projektu to postgres 16", a przy następnej sesji mind recall "jakiej bazy używamy" zwraca ci go w jakieś 0,2 ms. Żadnego serwera, żadnej bazy wektorowej, żadnego klucza API.

Pamięć, która zapomina sama

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Mapa kodu, którą agent pyta, zamiast czytać repozytorium plik po pliku
Premiera / Narzędzie

Mapa kodu, którą agent pyta, zamiast czytać repozytorium plik po pliku

4 min

codebase-memory-mcp od DeusData raz indeksuje całe repozytorium w graf funkcji, klas i wywołań, dzięki czemu agent pyta gotową mapę, zamiast czytać plik po pliku i palić tokeny. Jądro Linuksa ogarnia w trzy minuty, a na zapytanie o strukturę odpowiada w niecałą milisekundę. Twórcy chwalą się oszczędnością do 99,2% tokenów w wybranym teście, ale ich preprint z 31 repozytoriów podaje skromniejsze 10× mniej tokenów i 2,1× mniej wywołań, a wszystkie te liczby pochodzą od nich i nikt ich jeszcze nie zrecenzował.
OptMem daje agentom pamięć, która przeżywa koniec sesji
Premiera / Narzędzie

OptMem daje agentom pamięć, która przeżywa koniec sesji

4 min

Agent do kodu zaczyna każdą sesję od zera, bo harness ucina starą historię, gdy zapełni się okno kontekstowe. OptMem Victora Taelina odpowiada na tę amnezję jednym plikiem Pythona bez zależności i promptem na 426 tokenów wklejanym do CLAUDE.md: notatki lądują w bezstratnym, wiecznie rosnącym dzienniku, nad którym drzewo binarne streszczeń trzyma odczyt na stałym budżecie około 16 tysięcy tokenów. Cały ciężar spada jednak na model, bo to on musi konsekwentnie zapisywać i sięgać po pamięć we właściwym momencie, czego żaden świeżo wydany projekt jeszcze nie udowodnił.
Pamięć agenta w plikach Markdown, które przejrzysz grepem
Premiera / Narzędzie

Pamięć agenta w plikach Markdown, które przejrzysz grepem

5 min

agent-memory od tigerless-labs trzyma całą pamięć agenta do kodu w zwykłych plikach Markdown, a leżący obok indeks SQLite wolno skasować i odtworzyć jednym poleceniem, więc notatki przejrzysz grepem i wrzucisz do gita. Stara notatka o npm test nie znika, kiedy projekt przechodzi na pnpm, tylko zostaje oznaczona jako nieaktualna, a osobny przebieg w tle scala zapisy i zapomina te bez wartości, przy czym każde skasowanie idzie do zatwierdzenia przez człowieka. W teście LongMemEval-S biblioteka wyciąga 52,9% poprawnych odpowiedzi wobec 35,8% dla MemCore.