Lapisan memori yang dimiliki bersama oleh pengguna yang menghubungkan beberapa agen AI
cerefox, dibangun oleh Fstamatelopoulos, adalah lapisan memori bersama yang memusatkan pengetahuan untuk agen AI dan menghapus batas sesi di antara asisten. Alat ini menangkap dan mengekspos memori persisten untuk memungkinkan generasi yang ditingkatkan pengambilan dan ingatan lintas agen, mengintegrasikan dengan Protokol Konteks Model (MCP) dan pencarian berbasis vektor. Ini menggabungkan pencarian hibrida, pemotongan Markdown yang sadar heading, filter metadata JSONB, dan log audit. Pengembang, pengguna AI yang berpengalaman, dan peneliti yang menjalankan beberapa agen mendapatkan basis pengetahuan tunggal yang dikendalikan pengguna untuk alur kerja yang terkoordinasi dan konteks jangka panjang.
Tugas apa yang sebenarnya bisa Anda gunakan untuk itu?
Aplikasi ini berfungsi sebagai penyimpanan pengetahuan yang persisten yang dapat dibaca dan ditulis oleh agen, memungkinkan konten yang dihasilkan dalam satu sesi muncul di sesi lainnya. Ini menerima Markdown, teks biasa, dan file .docx serta mempertahankan konteks bagian dengan pemecahan yang sadar heading, yang membantu agen mengambil bagian dokumen tertentu daripada seluruh file. Integrasi yang didukung termasuk klien dan alat yang kompatibel dengan MCP yang menjalankan perintah shell, memungkinkan kasus penggunaan dari pengingat sesi kode hingga obrolan penelitian di berbagai asisten.
Seberapa akurat dan dapat diverifikasi pengambilan datanya?
Pencarian menggabungkan pengambilan teks penuh BM25 dengan kesamaan vektor semantik, berjalan di backend Postgres dengan kemampuan vektor untuk meningkatkan relevansi hasil. Alat ini mengekspos penyaringan metadata yang diindeks JSONB untuk kueri sempit, dan log audit yang tidak dapat diubah dan hanya dapat ditambahkan mencatat bacaan dan penulisan untuk pelacakan. Elemen-elemen ini mendukung alur kerja generasi yang ditingkatkan pengambilan di mana verifikasi penting, karena pengguna dapat menyaring berdasarkan tag atau memeriksa jejak audit untuk dokumen atau kueri tertentu.
Apa yang diperlukan untuk menerapkan dan menjalankannya dalam praktik?
Penerapan memerlukan Node.js 20+ untuk CLI dan instance Postgres dengan dukungan vektor; proyek ini menawarkan Docker untuk instalasi lokal dan Supabase untuk peluncuran yang dihosting. Mode lokal dapat beroperasi secara offline menggunakan model embedding lokal seperti nomic-embed-text, yang menyimpan embedding di perangkat. Opsi penerapan ini memberikan fleksibilitas, tetapi juga memerlukan beberapa pengaturan sistem dan database yang berfungsi dengan pengindeksan vektor yang diaktifkan.
Seberapa baik dukungannya untuk rekayasa multi-agen dan tata kelola?
Desain ini memprioritaskan koordinasi lintas agen dan penggunaan bersamaan: dukungan MCP asli memungkinkan agen di mesin yang berbeda berbagi konteks, dan penguncian optimis mencegah agen menimpa pembaruan satu sama lain. Dasbor analitik menampilkan dokumen teratas dan pola akses sehingga tim dapat memantau penggunaan agen. Bersama-sama, bagian-bagian ini membuat alat ini cocok untuk alur kerja rekayasa yang memerlukan memori yang persisten dan dapat diaudit daripada status sesi yang sementara.
Pilihan praktis untuk tim yang terampil secara teknis yang menginginkan kontrol
Alat ini adalah opsi praktis untuk pengembang dan peneliti yang membutuhkan memori persisten yang dikendalikan pengguna di berbagai agen AI. Arsitekturnya memberi imbalan kepada tim yang mampu mengelola hosting, embedding, dan penyesuaian pengambilan, sementara pengguna yang mencari solusi plug-and-play, tanpa operasi mungkin menemukan pengaturan yang dibutuhkan terlalu membebani. Untuk tim yang siap untuk mengoperasikan dan mengatur lapisan pengetahuan mereka sendiri, alat ini memberikan jalur yang jelas menuju alur kerja agen yang terkoordinasi dan catatan yang dapat dipertanggungjawabkan.
