tai as jau pusmeti naudojau priestai mempalace
Žinutės
Šis puslapis nėra tiesioginis — žinutės atnaujinamos pagal tvarkaraštį. Paskutinį kartą atnaujinta . Kito atnaujinimo laukiama apie . Laikas rodomas Vilniaus laiku (EET).
poto pasirasiau compatible api golang ir exportavau i claud mempalace 🙂
- ❤1
tai jis stebi kas imama iš atminties? Kaip suprasti „ant karšto“?
Tarkim turiu docs folderį „nuo pirmos dienos“. Ten patys agentai atnaujina duomenis ir tas visai ok veikia kol doc'ai iki ~200k token'ų, pasak Anthropic. Tik virš 200k rekomenduoja RAG naudot.
Jei 300Mb atvejis, tai suprantu.. Bet jei 3Mb? :)
Tarkim turiu docs folderį „nuo pirmos dienos“. Ten patys agentai atnaujina duomenis ir tas visai ok veikia kol doc'ai iki ~200k token'ų, pasak Anthropic. Tik virš 200k rekomenduoja RAG naudot.
Jei 300Mb atvejis, tai suprantu.. Bet jei 3Mb? :)
pas mane dabar ~250k konteksto suvalgo, po auto-compact
ir ieškau kaip optimizuot bent jau agents.md
nuo pirmos dienos 🙂 tada per kelis men susikaupia "knowledge grpah" ir jis vis lengviau realizuoja
nes KG gyvena visu projektu patirtys
o jis konspektuoja ant "karsto" kol context'e viskas ant kiekvieno "stop hook"
pas mane db jau per 300mb 🙂 niekaip tiek i context nebetilptu
- 🔥1
be to jis atsimena per RAG - tai kas aktualu sitam taskui
kuri katik suformlualvai
jeigu kazkuriam projekte kodinai, ir dabar nauja darai, tai know how lieka
yra agents.md + skill + memory i context
startuoja su daug maz ~ 100k token contextu viska atsimines
darydamas taska uzauga jeigu mazas iki 150k jeigu sudetinga 250k
tada /clear ir vel is naujo kita task
Nuo kiek maždaug duomenų apsimoka naudoti šitą vs tiesiog sukraunant viską į kontekstą paprastuoju būdu (md failų hierarchija)?
Esu https://github.com/tobi/qmd pasižymėjęs su ta pačia paskirtimi, bet dar nepriėjau prie realaus bandymo-įgyvendinimo. Max ką dabar turiu projektuose – žinyną su ~400k token'ų (~300 psl. knyga).
Šiaip kyla jausmas, kad industrija ima pintis įvairiausiais over-engineered sprendimais (kurie gal ir reikalingi, bet priklausomai nuo masto, o ne by default visiems).
Esu https://github.com/tobi/qmd pasižymėjęs su ta pačia paskirtimi, bet dar nepriėjau prie realaus bandymo-įgyvendinimo. Max ką dabar turiu projektuose – žinyną su ~400k token'ų (~300 psl. knyga).
Šiaip kyla jausmas, kad industrija ima pintis įvairiausiais over-engineered sprendimais (kurie gal ir reikalingi, bet priklausomai nuo masto, o ne by default visiems).
pasiulymas: vektorius ( po gpu ) saugot db blob fielde binary formatu ( 4kb. ) jeigu bge-m3
tada nereiks qdrant backupint 🙂
tik 1 source of truth db turesi
ir scriptuka, kuris is db exportuoja i qdrant
ir backupint nereiks visko, tik db
@… del sqlite 1 failo. no problem, padaryt 16 failu. ir pagal uzeri/projekta shardint i skirtingus db writes 🙂
html įkelus vieno failo trūks: mermaid
AI aprašymas Tai sistemos architektūros diagrama, vaizduojanti duomenų apdorojimo grandinę nuo nuotolinių agentų per HTTP MCP serverį, teksto skaidymą ir vektorius generavimą iki saugojimo SQLite bei Qdrant duomenų bazėse ir hibridinio paieškos mechanizmo.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
MPRO:
AI aprašymas Tai architektūros schema, vaizduojanti daugiaagentės sistemos atminties valdymą su trimis kognityviniais lygiais, PostgreSQL duomenų bazės integracija, vektorine paieška ir atminties gyvavimo ciklo valdymu.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
palyginimas side by side:
AI aprašymas Vaizdas rodo du skirtingų agentų atminties sistemų architektūrinius diagramos, iliustruojančius duomenų rašymo ir atkūrimo procesus naudojant vektorius, duomenų bazeles ir indeksavimo metodus.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
paprašiau, kad dar ir rastą brain spragą pasitaisytų.
AI aprašymas Tai diagrama, vaizduojanti duomenų apdorojimo ir atminties valdymo procesus, kuriame išdėstyti etapai nuo veikliosios atminties iki ilgainio saugojimo, konsolidacijos, pamiršimo ir svarbos svėrimo, palyginant skirtingų sistemų (MPRO ir agentsmemory) funkcionalumą.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
- ❤1
mempalace jau isdirbtas modelis, naudojau veike
su MIT licencija bet plague by concept 😄
tai aisku mano viskas golang 😉
su papildomais priedais
nevisada viska verta daryt nuo 0 🙂
- ❤1
pvz as vektorius saugau 4kb blob sqlite
ir qdrant jeigu nulektu, nereikt backupint
galiu tiesiog viska exportuot atga l
vienintelis ka reik backup tai sqlite 😄
o tam yr ahttps://litestream.io/
Todėl ir labai džiaugiuos, kai ateina tema į akiratį ir paduot agentams pasitikrint :) ir wualia, pasitaiso ir dar pasitobulina tuo pačiu :)
Tai man šita grupė yra lobis, ir ypač tavo įžvalgos ir pasidalinimai :)
AI aprašymas Priede pateikta palyginamoji diagrama, iliustruojanti du skirtingus agentų atminties architektūrų dizainus: kairėje – be būsenos tinklo paslauga su SQLite duomenų baze, o dešinėje – centralizuota Postgres bazė su MVCC ir vektorine paieška.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
AI aprašymas Tai techninė analizė, palyginanti du dirbtinio intelekto agentų atminties sprendimus ir rekomenduojanti išlaikyti esamą Postgres bazę su JavaScript, perimant tik geriausias kitos sistemos idėjas.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Rodoma paskutinė surinkta leidžiama būsena; pašalinimų suderinimas nebaigtas. Visas pokalbis — Telegram grupėje.