Mnemosyne řeší praktický problém práce s AI agenty: jak udržet dlouhodobou paměť bez závislosti na cloudových službách. Projekt staví na myšlence, že paměť agenta může běžet lokálně, být rychlá a zároveň dostatečně flexibilní pro různé typy dotazů.
Za projektem stojí open-source iniciativa kolem AxDSan, která se zaměřuje na nástroje pro práci s AI agenty a jejich infrastrukturní vrstvu. Cílem je nabídnout jednoduchý způsob, jak přidat persistentní paměť do aplikací bez potřeby externích databází nebo SaaS řešení.
Mnemosyne funguje jako lokální memory engine postavený nad SQLite. Data ukládá strukturovaně a kombinuje více způsobů vyhledávání, včetně full-text search a embedding-based retrieval. Díky tomu je možné hledat jak přesné shody, tak i významově podobné informace.
Důležitá část je integrace s agentními frameworky. Projekt počítá s použitím v prostředí, kde agenti opakovaně pracují s kontextem, ukládají si informace a později je znovu využívají. Mnemosyne funguje jako mezivrstva, která tento kontext spravuje a zpřístupňuje.
V praxi to znamená, že agent může ukládat poznámky, historii interakcí nebo extrahované znalosti a později je efektivně dohledávat. To řeší častý problém, kdy model zapomíná informace mimo aktuální kontext okna.
Projekt také ukazuje konkrétní výsledky na benchmarku LongMemEval, kde se testuje schopnost práce s dlouhodobou pamětí. Zaměřuje se na latenci i kvalitu vyhledávání, což je klíčové pro interaktivní použití.
Celý systém je navržený tak, aby byl snadno nasaditelný lokálně. Není potřeba řešit infrastrukturu ani externí API, což dává smysl pro vývojáře, kteří chtějí mít kontrolu nad daty i výkonem.
Zdroje:
