Žinutės

jo. darai darai darai ir suvoki kad kuo daugiau sufeilinai tuo daugiau ismokai ir tuo daugiau laimejai finale

apie masinas ir stogus neklausineju 🙂 nes nezinau tiek, kad suprast, kad haliucionuoja 🙂

engineering. siaip yra kai ne knygas skaitai, o bandai ir ziuri rezultata 🙂 aka "su tokiu input gavau toki output" -> ok/fail

praktika 😉

as savo laiku pvz, tai sededavau chatuose pries 20 metu, nesugalvojau pats ka daryt

labai sunku dirbti turint jausma, kad visiskai nesupranti ka darai. bet atsiranda naujas suvokimas, kad sitas jausmas netrukdo gilintis i sferas be gilaus supratimo ir joje gauti pakankamai gera rezultatai nepaisant suvokimo trukumo

as daznai darau, ypac kai maitina nauja informacija kas nors is srities kuri idomi bet puses nesuprantu 😄

tai pas LLM kad prefrazuotu 😄

(IT tema)

o neturetu buti atvirksciai? kad zmones paima ta info ir sumeta ja i ai kad paaiskintu, as neslepiu, as kartais taip darau kaip dideli deedes pradeda sneket

uhu

ir siaip, kazkas naujo

nezinau kodel zmones atmeta automatiskai tai ko nesupranta, ypac dabar, AI amziuje 😄

p.s. as siaip cia rasau daznai "sudetingai ir nesuprantamai" 🙂

bet kadangi retai kada sureaguoja tai nezinau ar perfrazuot ar reik aiskint ar ne 🙂

bet siaip jeigu kazkas sudetingo ir nesuprantamo, tai reiktu iproti augint - kist i AI ir prasyt paaiskint paprastai 🙂

ziureti kaip i "suarchyvuota informacija" 🙂

nes paprastai vienas zodis gali apimti ir visa A4 lapo teksta 😄 ( jeigu i procesus gilintis ) 🙂

parašiau pm

nezinau ar pades tik

nes reik GPU ir TEI (embeding/ rerank) 😄

Combined mean for these stress cases:

Ollama semantic: 26.172s
TEI semantic: 4.287s
TEI lexical: 1.181s
TEI made semantic 6.11x faster than Ollama.
Semantic still cost 3.63x lexical with TEI.

ollama *** and must die 😄

liudesiukas ollama tiesa sakant 🙂

1 procesas utilizuoja tik ~20% gpu, kai text embeding interface - 1 procesas uzmusa gpu 100% 😄

tai kad isnaudot gpu su ollama reik 4-8 procesu ir dar balansavimo prieki 🙂

puiku, aciu

cia bootstrap failas, v1 draft : https://github.com/atvirokodosprendimai/agentsmemory/blob/main/setup.md

:)

na, cia visa sistema 🙂

ar galetum pasidalinti izvalgom:

Ask him:

- Memory mechanics - how agentsmemory stores and retrieves (schema, wings, dedup), and are entries written automatically or hand-curated?
- The recall check - exact prompt/procedure: what does it compare, what happens on a miss?
- Verification - how does he validate a one-shot without sitting in the loop; what's his rework rate when a one-shot misses?
- Staleness - how does memory stay current when a library version changes; does anything expire or get overwritten?
- Limits - would his approach survive GUI-heavy work, or is it backend-only in practice?

na, dar cia del to, jog as mazai ka su GUI darau 🙂

visas darbas algoritmai ir backend 😉

pagrinde*

siaip dariau testa

su memory subagenta spawnino tai is "LLM ismatymo" vis dar darytu tas pacias klaidas ne pagal paskutine bibliotekos versija 😄

na palyginimui taskas. kaip be memory ir kaip su memory koda generuoja

supratau. it tikrai, as beveik neoneshotinu nieko. sedziu ir laika savo naudoju.

mazos iteracijos

input kaip suprantu promptai

tai jie trumpi

ir skill pora kurie apraso visa tech stack tai initial one shot viska o poto agile 😄

o daugiau viskas is memory

su kiekvienu projektu vis daugiau memory kaip daryt ir kas veikia / neveikia

tai kaskart oneshot'ina - vis geriau 🙂

as tiesiog savo esmini skill pats rankytem susirasiau 😉

pas tave toks mazas input ir toks didelis output santykis. kuo pagal si santyki skiriasi mano ir tavo darbas?

as per daug sedziu ir menedzinu or pas tave automatiskai jisai viska daro?

ojo 😄