Skip to content

README.id.md

Latest commit

 

History

History
455 lines (331 loc) · 23 KB

README.id.md

File metadata and controls

455 lines (331 loc) · 23 KB
Raw

Uteke: Satu memori. Semua agent. Tanpa cloud.

Uteke

Satu memori. Semua agent. Tanpa cloud.

Beri AI kamu memori yang nggak pernah keluar dari laptop kamu. Mendukung Claude, Cursor, Copilot, dan semua agent yang kompatibel MCP.

98.2% LongMemEval-S recall@5 · query hangat ~45 ms · 0 LLM token per query · CPU-only · fully offline

CI Latest Release GitHub Stars License: Apache 2.0 Rust 1.85+ Docker Recall ~45ms LongMemEval-S recall@5: 98.2%

🇬🇧 English · 🇮🇩 Bahasa Indonesia

⚡ Mulai dalam 30 Detik

# Install (macOS, Linux, Windows)
curl -sSL codecora.dev/uteke/install | sh

# Simpan ingatan
uteke remember "Deploy v2.1 ke staging jam 3 sore"

# Cari lagi: berdasarkan makna DAN kata kunci
uteke recall "kapan deploy?"

Selesai. Tanpa API key, tanpa Python, tanpa cloud.

First run otomatis download embedding model (~200MB, sekali doang) dan langsung jalan.

Mau simpan dengan metadata lengkap?

uteke remember "Deploy v2.1 ke staging" \
  --tags deploy,staging \
  --entity staging-server \
  --category infrastructure
📦 Opsi install lainnya
Metode Command
Homebrew brew install codecoradev/tap/uteke (macOS Apple Silicon & Linux)
Cargo cargo install uteke-cli
Docker docker run -d -p 127.0.0.1:8767:8767 -v uteke-data:/data ghcr.io/codecoradev/uteke:latest
Binary GitHub Releases (macOS, Linux, Windows)
Windows (PowerShell) `powershell -ExecutionPolicy Bypass -Command "irm https://raw.githubusercontent.com/codecoradev/uteke/main/install.ps1

📖 Panduan install lengkap · Docker docs

Baru kenal uteke (atau kamu memang AI agent)? Jalankan uteke onboard. Wizard-nya mendeteksi setup, nanya agent apa yang kamu pakai, dan nyambungin semuanya. 📖 Dokumentasi onboarding

📊 Benchmark: 98.2% recall di LongMemEval-S

LongMemEval-S (ICLR 2025) nyembunyiin fakta yang dibutuhkan agent di ~115 sesi chat per pertanyaan, lalu ngecek apakah retrieval menemukan buktinya. 500 pertanyaan hand-curated, lima kemampuan memori. Uteke menjalankan suite penuh dengan nol panggilan LLM di jalur retrieval: embedding lokal, satu CPU, deterministik.

Metrik Uteke v0.19.0 agentmemory¹ BM25-only¹
recall_any@5 (bukti di top-5) 98.2% 95.2% 86.2%
recall_any@10 98.8% 98.6% 94.6%
recall_all@5 (semua bukti, strict) **88.0%**² 88.2% MRR³ n/a
LLM token / query 0 0 0

Stabilitas antar-rilis (500 pertanyaan penuh, diskor dari raw yang di-commit — RESULTS.md):

Rilis v0.16.0 v0.17.0 v0.19.0
recall_any@5 98.2% 98.4% 98.2%
strict recall_all@5 88.0% 88.0% 88.0%

¹ Angka publikasi agentmemory, benchmark yang sama, split 500 pertanyaan yang sama (basis recall_any@5 mereka; terverifikasi apples-to-apples di head-to-head). ² Strict = semua sesi gold harus masuk top-5; 65% pertanyaan butuh beberapa sesi. Ceiling matematis 99.4%. ³ MRR, bukan recall_all (tidak bisa dibandingkan langsung; ditampilkan untuk kelengkapan).

LongMemEval-S recall@5: uteke 98.2% (v0.19.0) vs MemPalace 96.6% dan agentmemory 95.2% (hasil raw ketiga rilis di-commit di repo)

Per kategori pertanyaan (recall_any@5: cerita per kategori yang jarang ditampilkan tool lain):

knowledge-update single-session temporal multi-session
100% 96.7–98.2% 98.4% 98.3%

Bagian sulit itu bukan menemukan sebuah jarum; bukti setiap pertanyaan ada di top-50 (nol meleset). Sisa gap-nya: urutan, saat satu pertanyaan butuh beberapa sesi sekaligus: strict recall_all@5 di angka 88.0% dengan ceiling 99.4%.

🎯 Jangan percaya benchmark kami. Jalankan sendiri. Harness lengkapnya ada di repo ini: dataset publik, output raw di-commit untuk ketiga rilis (v0.16/v0.17/v0.19), scoring deterministik yang bisa kamu hitung ulang dalam ~20 baris Python. Tanpa perlu embedder untuk verifikasi, ~$10 untuk menjalankan 500 pertanyaan sendiri. 👉 benchmarks/longmemeval/REPRODUCING.md

Juga tersedia: uteke bench --counts 100,1000,10000 untuk latency/throughput di mesin kamu sendiri. 📖 Dokumentasi benchmark lengkap · RESULTS.md

💡 Buat Apa Uteke?

🤖 Lagi bangun AI agent? Kasih memori persisten tanpa dependency cloud. Agent kamu ingat preferensi user, keputusan sebelumnya, dan konteks, antar sesi, fully offline.

👥 Kerja tim? Pakai Rooms buat share knowledge. Meeting notes, keputusan project, pilihan arsitektur: bisa dicari semua orang, dengan atribusi author.

🔒 Bangun app buat domain sensitif? Kesehatan, keuangan, legal: data tetap di mesin kamu. Nggak ada API call, nggak ada telemetri, nggak ada cloud. Embedding lokal (ONNX, 768d).

⌨️ Power user yang hidup di terminal? Uteke itu personal knowledge graph kamu. Simpan apapun, cari berdasarkan makna, hubungkan pikiran yang related. Semua dari command line.

🔥 Kenapa Uteke?

Bayangin: kamu baru habis 2 jam jelasin codebase ke ChatGPT. Sesi berikutnya? Kosong. Ulang dari nol. Lagi.

Setiap AI tool lupa. Context window penuh, sesi berakhir, dan AI kamu start over setiap kali. Uteke kasih memori persisten, dan semuanya tetap di mesin kamu.

Uteke Tool A Tool B Tool C Tool D Tool E Tool F Tool G
Bahasa Rust (satu binary) Python (pip) Python TypeScript TypeScript Python TypeScript Go (satu binary)
Setup Satu binary (curl | sh) pip install + venv pip + Docker + Qdrant npm + iii-engine npm (Node.js) pip + Docker + Neo4j Cloud atau binary lokal Satu binary
API key ❌ Nggak perlu ⚠️ Untuk embedding remote ✅ OpenAI/LLM ✅ LLM key ✅ LLM key ✅ LLM key ⚠️ Cloud saja ❌ Nggak perlu
Bisa offline ✅ Full ⚠️ Opsional ❌ Cloud embedding ❌ Butuh LLM ❌ Butuh LLM ❌ Butuh LLM + vector DB ✅ Binary lokal + Ollama ✅ Full
Search Fusion (weighted RRF vector + hybrid; hybrid = HNSW + FTS5 RRF) sqlite-vec + FTS5 Vector + Graph Vector + Graph Vector Hybrid (semantic + keyword + graph) Vector + rerank FTS5 doang
Kecepatan recall ~45ms ~50ms+ Network round-trip Network round-trip Network round-trip Network round-trip Network round-trip ~Cepat (lokal)
Multi-agent ✅ Rooms (shared memory, cross-agent recall, atribusi author) ✅ Multi-agent surface ❌ ✅ Shared server ✅ Multi-agent groups ❌ ❌ ⚠️ Share via MCP
Time-travel ✅ Native point-in-time ⚠️ Temporal triples ❌ ❌ ❌ ✅ Temporal graphs ❌ ❌
MCP server ✅ JSON-RPC + HTTP ✅ stdio + SSE ❌ ✅ 54 MCP tools ❌ ✅ Graphiti MCP ✅ MCP open-source ✅ stdio MCP
Data kamu ✅ Nggak pernah keluar dari mesin ✅ Local-first ⚠️ Dikirim ke cloud LLM ✅ Lokal (iii-engine) ⚠️ Dikirim ke cloud LLM ⚠️ Dikirim ke cloud LLM ⚠️ Di-host Cloudflare ✅ Lokal
Lisensi Apache 2.0 MIT Apache 2.0 Apache 2.0 Apache 2.0 Apache 2.0 MIT MIT

Catatan: Label Tool (A–G) merepresentasikan kategori umum AI memory layer per Agustus 2026. Kemampuan dinilai dari dokumentasi publik dan bisa berubah. Tabel ini titik awal evaluasi kamu sendiri, bukan ranking definitif.

Uteke vs Tool A (Python local-first): Dua-duanya local-first dengan semantic + FTS5 search. Keunggulan Uteke: satu binary (tanpa runtime Python), time-travel native (bukan temporal triples), rooms, dan zero runtime dependency.

Uteke vs Tool G (Go single binary): Dua-duanya single-binary, offline, tanpa API key, dua-duanya punya MCP server. Tool G itu FTS5-only (keyword search doang). Uteke nambah vector semantic search + RRF fusion + rooms + time-travel + graph relationships + smart decay + document engine + batch import. Filosofi kesederhanaan yang sama, lebih banyak kemampuan.

Uteke vs Tool F (TypeScript mode lokal): Tool F sekarang punya mode binary lokal dengan dukungan Ollama. Langkah solid ke arah offline-first. Tapi di baliknya tetap TypeScript/Node.js. Uteke itu Rust: footprint lebih kecil, startup lebih cepat, zero runtime. Uteke juga punya hybrid search dengan FTS5 (mode lokal Tool F vector-only, tanpa fallback keyword).

Uteke vs Tool B/D/E: Mereka powerful, tapi semua butuh cloud LLM API key + Docker infra. Data kamu dikirim ke provider LLM eksternal. Uteke jalan fully offline dengan embedding ONNX lokal. Tanpa Docker, tanpa Python, tanpa API key.

Uteke vs Tool C: Tool C punya 54 MCP tools dan multi-agent shared memory via local engine. Keunggulan Uteke: zero dependency (tanpa npm, tanpa engine tambahan), hybrid search (Tool C tidak punya FTS5), dan time-travel queries.

🏠 Rooms: Shared Memory Multi-Agent

Memory layer lain cuma single-player: setiap fakta disimpan di user_id yang flat, nggak kelihatan sama agent lain. Uteke Rooms bikin multiple AI agent bisa share memory space dengan atribusi author.

# Bikin room shared
uteke room create "engineering" --description "Keputusan tim"

# Agent Alice simpan keputusan
uteke remember "Kita pilih Redis buat caching, bukan Memcached" \
  --room engineering --author alice

# Agent Bob tambah konteks
uteke remember "Redis cluster: 3 node, 2 replica tiap node" \
  --room engineering --author bob

# Agent manapun bisa recall history shared
uteke recall "caching decision" --room engineering

Kenapa ini penting:

Masalah tanpa Rooms Solusi dengan Rooms
Agent A nggak lihat memori Agent B Shared space, cross-agent recall
Knowledge tim silo per user Satu room, multiple author
Nggak ada cara tau siapa bilang apa Author di setiap memori
Workflow multi-agent butuh sync manual Agent share context otomatis

📖 Dokumentasi Rooms lengkap →

✨ Fitur

Memori Inti

Fitur Apa fungsinya
🧠 Hybrid + Fusion Search Cari berdasarkan makna (vector) + kata kunci exact (FTS5). Digabung dengan Reciprocal Rank Fusion (RRF). Sejak v0.16.0, fusion (weighted RRF dari ranking vector dan hybrid) jadi default recall strategy.
🏠 Rooms Shared memory multi-agent. Kelompokkan memori berdasarkan konteks (meeting, project, klien). Multiple agent baca/tulis ke room yang sama dengan atribusi author. Cross-agent recall tanpa sync manual.
⏳ Time-travel Recall memori seperti adanya di titik waktu manapun. uteke recall "deploy" --at 2025-01-15
🏷️ Metadata Kaya Tag, entity, kategori, key:value di setiap memori.
🧩 Tipe Memori Kategori bertipe (fact, procedure, decision, dll.) dengan auto-inferensi.
✏️ Partial Updates Ubah isi, tags, metadata, importance, atau type tanpa rewrite penuh.
📎 Citations Atribusi sumber di setiap memori (URL, file, user, batch import).

Search & Intelligence

Fitur Apa fungsinya
🔗 Relationship Graph Hubungkan memori dengan edge bertipe (supersedes, contradicts, references). Auto-backlink.
🔗 Cross-Entity Linking Referensi dua arah memori↔dokumen via wikilink [[doc-slug]].
🤖 Cosine Auto-Linking Otomatis bikin edge similar_to antar memori yang related.
📉 Smart Decay Skor importance komposit. Pin yang penting, biarkan yang basi memudar.
📈 Salience + Recency Boost recall dual-axis berdasarkan tipe dan usia memori.
🔍 Orphan Detection Cari memori terputus dengan importance rendah untuk dibersihkan.
🌙 Dream Cycle Maintenance satu perintah: lint → backlinks → dedup → orphans.
🧬 Consolidation Gabungkan memori room yang mirip jadi lebih sedikit dan lebih padat: planner level-segmen, kebijakan trust provenance, kontrol per-pasangan.

Integrasi

Fitur Apa fungsinya
🔌 MCP Server JSON-RPC via stdio + Streamable HTTP. Langsung pakai dengan Claude Code, Cursor, Hermes.
🖥️ Mode Server Daemon persisten: eliminates cold-start embedding load di setiap call.
📂 Batch Import Import seluruh direktori dengan routing strategi otomatis (dokumen vs. memori).
📝 Document Engine Wiki/knowledge base dengan uteke doc create/get/list + auto-chunking.
📥 Import/Export Backup dan restore berbasis JSONL.
🔑 View-Only API Keys Token read-only untuk akses GET saja ke server.
👤 Tipe Author Atribusi human vs agent di setiap memori, konsisten di CLI, HTTP, dan MCP.

Performa & Privasi

Fitur Apa fungsinya
📦 Single Binary Zero dependency. Tanpa Python, tanpa API key. Local-first secara default.
🐳 Docker Ready Image resmi di GHCR. Jalankan sebagai shared service untuk tim atau deployment cloud.
🔒 Fully Offline Embedding ONNX lokal (EmbeddingGemma Q4, 768d). Tanpa telemetri, tanpa cloud.
⚡ Recall Cache Cache LRU yang eliminate redundant embedding untuk query berulang.
🔥 Tiered Memory Tracking Hot/Warm/Cold dengan auto-cleanup memori basi.
🔄 Embed Fallback Degrade ke no-op embedder kalau local model gagal (nggak pernah crash).
👥 Namespace Multi-Agent Memori terisolasi penuh per agent, tanpa overhead.
📊 Benchmark uteke bench bawaan untuk perf testing. Lihat hasil.

🚀 Cara Kerja

graph LR
    Input[Query User] --> Embed[Embedder ONNX Lokal<br/>768d, EmbeddingGemma Q4]
    Embed --> HNSW[HNSW Vector Index<br/>usearch]
    Embed --> FTS5[FTS5 Full-Text<br/>SQLite]
    HNSW --> RRF[Reciprocal Rank Fusion<br/>k=60]
    FTS5 --> RRF
    RRF --> Results[Hasil Ranked]

    style Input fill:#4a9eff,color:#fff
    style Results fill:#4aff9e,color:#000
    style RRF fill:#ff9e4a,color:#fff
Loading

Cara kerja hybrid search:

  1. HNSW (usearch): cari berdasarkan makna ("deploy" cocok dengan "rollout")
  2. FTS5 (SQLite): cari berdasarkan kata exact ("deploy" cocok dengan "deploy")
  3. RRF (k=60): gabungkan dua ranked lists → terbaik dari keduanya

Semua jalan in-process. Tanpa network. Tanpa cloud. Tanpa server (kecuali mau pakai mode server).

🐳 Mode deployment (local-first secara default, Docker/server kalau perlu)

Local-first (default): satu binary, zero infrastruktur.

curl -sSL codecora.dev/uteke/install | sh
uteke remember "memori pertama"

Data kamu tersimpan di ~/.codecora/uteke/.

Docker / mode server: untuk tim atau agent remote.

docker run -d -p 127.0.0.1:8767:8767 -v uteke-data:/data ghcr.io/codecoradev/uteke:latest
# atau: uteke serve --host 0.0.0.0 --port 8767

📖 Panduan Docker · Dokumentasi server mode

🏠 Rooms: contoh shared memory multi-agent 
# Bikin room shared
uteke room create "engineering" --description "Keputusan tim"

# Agent Alice simpan keputusan
uteke remember "Kita pilih Redis buat caching, bukan Memcached" \
  --room engineering --author alice

# Agent Bob tambah konteks
uteke remember "Redis cluster: 3 node, 2 replica tiap node" \
  --room engineering --author bob

# Agent manapun bisa recall history shared
uteke recall "caching decision" --room engineering

Atribusi author di setiap memori; cross-agent recall tanpa sync manual. 📖 Dokumentasi Rooms lengkap →

🔌 Konfigurasi MCP: connect ke Claude Code, Cursor, Hermes 
// .mcp.json (Claude Code, Cursor)
{ "mcpServers": { "uteke": { "command": "uteke-mcp" } } }

Untuk Claude Desktop, Hermes, dan HTTP transport, lihat MCP docs.

📚 Dokumentasi
Mulai Installation · Getting started · Onboarding
Referensi CLI reference · Konfigurasi · Docker
Integrasi Setup MCP · Claude Code · Cursor · Hermes
Benchmark docs/benchmarks.md · RESULTS.md · Reproduksi sendiri

❓ FAQ

Bedanya Uteke sama memory tool yang cloud-dependent apa?

Banyak memory layer (basis Python atau TypeScript) butuh API key cloud (OpenAI/LLM) dan infrastruktur eksternal (Docker, Postgres, Qdrant). Data kamu dikirim ke cloud LLM provider. Uteke itu satu binary tanpa API key sama sekali. Semua embedding jalan lokal via ONNX. Data kamu nggak pernah keluar dari mesin kamu. Lihat tabel perbandingan.

Bedanya sama platform MCP multi-tool?

Beberapa platform menawarkan lusinan MCP tools dan multi-agent shared memory via local engine. Kaya integrasi, tapi butuh npm, runtime terpisah, dan LLM API key untuk embedding. Uteke itu Rust, zero dependency, dan jalan fully offline dengan embedding ONNX lokal. Mau integrasi maksimum → platform itu. Mau privasi, kecepatan, zero setup, dan hybrid search → Uteke.

Bedanya sama single-binary memory tool lain?

Beberapa single-binary tool share filosofi kami: satu binary, zero deps, MCP server, local-first. Beda kuncinya di search: kebanyakan FTS5-only (keyword matching). Uteke pakai hybrid search (HNSW vector similarity + FTS5 + Reciprocal Rank Fusion), jadi kamu bisa cari berdasarkan makna, bukan cuma kata exact. Uteke juga punya rooms, time-travel, graph relationships, smart decay, document engine, dan batch import.

Beneran bisa offline?

Ya. Embedding model (EmbeddingGemma Q4, 768d) download sekali (~200MB) saat first run. Setelah itu, zero network call. Tanpa telemetri. Kalau local model gagal, Uteke degrade ke no-op embedder, jadi nggak pernah crash dan nggak pernah manggil cloud API.

Cepetan recall-nya?

~45ms sebagai CLI (pengukuran: rata-rata 31ms @10K di bench host yang dipublikasikan) (diukur di 100–10K memori, flat mengikuti ukuran store). Nggak ada network round-trip karena semuanya lokal. Recall cache LRU menghilangkan komputasi embedding berulang untuk query yang sama.

Bisa dipakai sama AI tool yang udah ada?

Bisa. Uteke punya MCP server yang langsung pakai dengan Claude Code, Cursor, dan Hermes. Bisa juga pakai HTTP API langsung di bahasa pemrograman apapun. Lihat setup MCP →

Sudah production-ready?

Uteke sekarang v0.19.1 dengan 200+ test, CI/CD di setiap commit, dan benchmark harness. Dipakai production oleh tim CodeCora dan early adopter lain. Masih di versi 0.x, jadi mungkin ada rough edges, tapi core-nya udah stabil.

🗺️ Roadmap & Editions

Uteke OSS (repo ini) Uteke Cloud
Kualitas retrieval ✅ Full (engine identik) ✅ Identik (parity-benchmarked)
Lisensi Apache-2.0, self-host Layanan managed
Jawaban berbasis LLM (resolusi fakta recency-aware, abstention) BYOK Termasuk
Multi-workspace, dashboard, backup DIY ✅ Termasuk
Harga Gratis Segera

Engine open-source tetap full-capability. Tidak ada bagian dari hasil benchmark di atas yang dipagari paywall. Cloud menambahkan kenyamanan hosted di atasnya.

🤝 Kontribusi

cargo build --workspace        # Build
cargo test --workspace         # Test (200+ test)
cargo clippy -- -D warnings    # Lint
cargo fmt                      # Format

Kontribusi diterima! Baca CONTRIBUTING.md untuk panduan lengkap.

📄 Lisensi

Apache License 2.0. Pakai, fork, ship.

⭐ Star History

Uteke Star History Chart

Berguna? ⭐ Star repo ini. Bantu orang lain nemuin Uteke.

Star repo ini