Poza prostą retencję: Memory OS rzuca wyzwanie ograniczeniom pamięci agentów AI

Współczesne systemy autonomiczne, takie jak Hermes Agent od Nous Research, radzą sobie całkiem nieźle z zachowywaniem kontekstu między sesjami. Jednak dla zaawansowanych zastosowań profesjonalnych, gdzie liczy się precyzja i długofalowa pamięć faktograficzna, standardowe mechanizmy często okazują się zbyt powierzchowne. W odpowiedzi na te niedostatki powstał Memory OS – ambitny, open-source’owy projekt autorstwa Claudio Drewsa, który nakłada na istniejącą architekturę Hermesa aż sześć wyspecjalizowanych warstw pamięci.

Dlaczego to ważne właśnie teraz? Wyścig o lepszą pamięć dla modeli AI przestał dotyczyć wyłącznie sprzętu. Podczas gdy ceny modułów DRAM w trzecim kwartale 2025 roku wystrzeliły o ponad 170% rok do roku, programiści szukają ratunku w architekturze software’owej. Jak zauważa serwis Money.pl: „To dopiero początek drożyzny”. Optymalizacja sposobu, w jaki agenty przechowują dane, staje się więc kwestią przetrwania budżetowego, a nie tylko technicznym detalem.

Sześć poziomów cyfrowej świadomości

Memory OS nie jest jedynie prostą wtyczką, lecz kompletnym stosem technologicznym działającym równolegle do natywnej bazy sesji Hermesa. Fundament stanowią pliki robocze (Workspace) oraz baza sesji SQLite z wyszukiwaniem pełnotekstowym FTS5. To jednak dopiero początek. Prawdziwa innowacja kryje się wyżej: w warstwie ustrukturyzowanych faktów z mechanizmem punktacji zaufania (trust scoring) oraz w module Fabric, który automatycznie ekstrahuje kluczowe informacje z rozmów przy użyciu modeli LLM.

Uwagę przykuwa piąta i szósta warstwa: hybrydowa baza wektorowa Qdrant, łącząca gęste wektory z tradycyjnym rankingiem BM25, oraz autokreująca się „Wiki LLM”. Ta ostatnia pełni rolę dynamicznego repozytorium pojęć i encji, które jest nieustannie przetwarzane i reinjestrowane do systemu, tworząc samonapędzający się obieg wiedzy.

Inteligentna filtracja zamiast „upychania” danych

Architektura Memory OS kładzie duży nacisk na efektywność tokenową. Zamiast zasypywać okno kontekstowe modelu nadmiarem danych, system stosuje tzw. chirurgiczne przywoływanie (surgical recall). Przed każdym zapytaniem do modelu, silnik przeszukuje cztery źródła jednocześnie, stosując progi istotności i deduplikację. Co więcej, filtr „social-closer” odrzuca trywialne interakcje, takie jak zwykłe podziękowania, chroniąc zasoby przed zaśmieceniem.

Interesującym rozwiązaniem jest kaskadowy system odporności na błędy. Jeśli wyszukiwanie hybrydowe zawiedzie, system automatycznie przełącza się na wektory, a w ostateczności na klasyczne przeszukiwanie leksykalne w SQLite. Aby zapobiec puchnięciu bazy danych, zaimplementowano procesy „starzenia się” informacji i scalania rekordów o wysokim podobieństwie semantycznym.

Lokalność kontra chmura: cena suwerenności danych

Memory OS pozycjonuje się jako alternatywa dla rozwiązań chmurowych, takich jak mem0 czy Zep. Cały stos – oparty na Dockerze, Redisie i Pythonie – uruchamiany jest lokalnie. Jest to podejście bezkompromisowe pod względem prywatności, choć wiąże się z konkretnymi kosztami. W Polsce za zestaw 32 GB DDR5 o wysokim taktowaniu trzeba zapłacić obecnie o ok. 70% więcej niż na początku 2025 roku. Pamięć, jak twierdzi portal Tek.info.pl, „przestaje być magazynem. Staje się autostradą”.

Choć projekt jest we wczesnej fazie rozwoju i wymaga dopracowania pod kątem kompatybilności z upstreamem, pokazuje jasny kierunek. Przyszłość agentów AI leży w hierarchicznej, inteligentnie zarządzanej pamięci, która nie zapomina o faktach zaraz po zamknięciu okna czatu.