YourMemory: ИИ-память с биологическим забыванием достигает 59% воспроизведения на LoCoMo-10

YourMemory реализует постоянную память для AI-агентов, используя кривую забывания Эббингауза — воспоминания ослабевают, если не подкрепляются припоминанием, а неиспользуемые данные удаляются при достижении порога. Построенный как локальный MCP-сервер на DuckDB, он сочетает BM25, векторный поиск и графовый слой для решения проблемы «логического соседа», когда семантический поиск пропускает релевантные, но не похожие узлы.
Бенчмарки
На бенчмарке LoCoMo-10 (1534 пары вопрос-ответ по 10 многосессионным диалогам):
- YourMemory: 59% Recall@5 (95% ДИ: 56–61%)
- Zep Cloud: 28% (95% ДИ: 26–30%)
Это в 2 раза лучше, чем Zep Cloud. Сообщается, что векторные хранилища без состояния тратят на 84% больше токенов.
Быстрый старт
Python 3.11–3.14. Docker или внешние сервисы не требуются.
pip install yourmemory
yourmemory-setupПолучите путь к конфигурации:
yourmemory-pathНастройка MCP
Claude Code — добавьте в ~/.claude/settings.json:
{
"mcpServers": {
"yourmemory": {
"command": "yourmemory"
}
}
}Claude Desktop — добавьте в соответствующий конфигурационный файл:
{
"mcpServers": {
"yourmemory": {
"command": "yourmemory"
}
}
}Cline, Cursor, OpenCode и любой MCP-совместимый клиент (Windsurf, Continue, Zed) могут подключить его, используя полный путь из yourmemory-path.
Работа с памятью
Скопируйте пример инструкций:
cp sample_CLAUDE.md CLAUDE.mdЗатем отредактируйте CLAUDE.md, указав своё имя и ID пользователя. Claude выполняет workflow: припоминание → сохранение → обновление для каждой задачи, используя три MCP-инструмента:
recall_memory(query)— извлекает релевантные воспоминания в начале задачиstore_memory(content, importance)— внедряет и сохраняет с биологическим затуханиемupdate_memory(id, new_content)— перестраивает внедрение и заменяет устаревшую информацию
Пример: store_memory("Sachit предпочитает табуляцию пробелам в Python", importance=0.9, category="fact")
Для кого это
Для разработчиков, создающих AI-агенты для написания кода, работающие над долгоживущими проектами и нуждающиеся в запоминании предпочтений пользователя, контекста проекта, а также в том, чтобы избежать переобучения с нуля в каждой сессии.
📖 Читать полный источник: HN LLM Tools
👀 Смотрите также

Самостоятельно размещенный контекстный бандит на Rust: Syntra и Lycan для адаптивных систем принятия решений
Два проекта с открытым исходным кодом: Lycan (язык выполнения графов с узлами стратегий и обученными весами) и Syntra (приложение Docker/API, обслуживающее скомпилированные капсулы Lycan). При использовании на собственном продукте для дебатов по AI-акциям обнаружили ошибки в конвейере данных до ошибок времени выполнения.

Автоматизированный конвейер кода Claude сократил использование токенов с 78 тысяч до 15 тысяч на функцию.
Открытый конвейер для Claude Code автоматизирует 12 этапов, включая предварительный анализ существующего кода, сокращая использование токенов с ~78k до ~15k на функцию. Он предлагает три профиля (yolo, стандартный, параноидальный) и заменяет оценки уверенности на валидацию на основе grep.

antirez的DS4:在Mac Metal和DGX上运行具有100万上下文窗口的DeepSeek V4 Flash
Создатель Redis Сальваторе Санфилиппо выпустил DS4 — проект для запуска DeepSeek V4 Flash с контекстным окном в 1M токенов на оборудовании Mac Metal и DGX, с конечными точками OpenAI/Anthropic для инструментов агентного кодирования.

Пользователь Reddit делится подробной инструкцией по экспорту личных знаний из ИИ-ассистентов.
Пользователь Reddit создал комплексный промпт для извлечения структурированных личных знаний из ИИ-ассистентов, таких как Claude, решая предполагаемые ограничения функции импорта ChatGPT от Anthropic. Промпт генерирует три отдельных JSON-артефакта, охватывающих личные базы знаний, интеллектуальные фреймворки и графы знаний.