diff --git a/README.md b/README.md index 5f291b54f4..07d9286bb6 100644 --- a/README.md +++ b/README.md @@ -66,8 +66,6 @@
-
| - -### Retrieval Accuracy - -**coding-agent-life-v1** (in-house corpus, sandbox-reproducible) +### What's new in 0.9.31 -| Adapter | P@5 | R@5 | Top-5 hit rate | p50 latency | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% top-5 hit rate at the **P@5 math ceiling** for this corpus (0.240, see scorecard). Hybrid retrieves every gold session; grep misses 1 of 2 gold on the multi-session temporal query. Lift is **recall + temporal**, not aggregate precision. This benchmark is small and gold-sparse; the larger LongMemEval-S below differentiates better. Full per-type breakdown + correction note: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 questions) - -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -
+- **More focused recall:** project and agent scopes, saved-memory retrieval, explicit context budgets and full-source expansion.
+- **Less repeated work:** incremental session summaries skip unchanged observations; exports page through stored data.
+- **More native integrations:** installable Pi package, OMP and DeepSeek Harness plugins, and improved Cursor workspace attribution.
+- **Safer recovery:** compression, import validation and runtime recovery fixes, with status and activity visible in the viewer.
-### Token Savings
+[Release notes and contributor credits](https://github.com/rohitg00/agentmemory/releases/tag/v0.9.31).
-| Approach | Tokens/yr | Cost/yr |
-|---|---|---|
-| Paste full context | 19.5M+ | Impossible (exceeds window) |
-| LLM-summarized | ~650K | ~$500 |
-| **agentmemory** | **~170K** | **~$10** |
-| agentmemory + local embeddings | ~170K | **$0** |
+ |
-
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Built-in (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Type | -Memory engine + MCP server | -Memory layer API | -Full agent runtime | -Personal AI | -Memory API + app | -Team memory hub (LLM proxy) | -Vector memory (OSS) | -Memory engine (Oracle DB) | -Memory system | -Static file | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Self-reported | -PersonaMem 76% (self-reported) | -~96.6% (self-reported) | -94.4% (self-reported) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hooks (zero manual effort) | -Manual add() calls |
-Agent self-edits | -Manual | -API-side extraction | -Proxy interception (base-URL swap) | -Manual | -API extraction | -Manual | -Manual editing | -
| Search | -BM25 + Vector + Graph (RRF fusion) | -Vector + Graph | -Vector (archival) | -Semantic | -Vector + RAG | -4 asset types (Chat / Skill / Wiki / CodeGraph) | -Vector-only | -Vector + semantic | -Decay-weighted | -Loads everything into context | -
| Multi-agent | -MCP + REST + leases + signals | -API (no coordination) | -Within Letta runtime only | -No | -No | -Team roles + shared assets | -No | -Scoped only | -Multi-agent shared | -Per-agent files | -
| Framework lock-in | -None (any MCP client) | -None | -High (must use Letta) | -Standalone | -None | -Proxy fronts every model call | -None | -Oracle Database | -None | -Per-agent format | -
| External deps | -No separate database service required | -Qdrant / pgvector | -Postgres + vector DB | -Multiple | -Managed cloud | -Docker stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -None | -None | -
| Memory lifecycle | -4-tier consolidation + decay + auto-forget | -Passive extraction | -Agent-managed | -Manual | -Auto-forget | -Manual review; auto-routing in progress | -None | -Not stated | -Decay + consolidation | -Manual pruning | -
| Token efficiency | -~1,900 tokens/session ($10/yr) | -Varies by integration | -Core memory in context | -Varies | -Cloud pricing | -Not stated | -No token budget | -LLM-backed (varies) | -Varies | -22K+ tokens at 240 obs | -
| Real-time viewer | -Yes (port 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -No | -No | -No | -No | -
| Self-hosted | -Yes (default) | -Optional | -Optional | -Yes | -No (cloud-only) | -Yes (Docker) | -Yes | -Yes (Oracle DB) | -Yes | -Yes | -
benchmark/COMPARISON.md). The mem0 and Letta figures are their published LoCoMo numbers (a different dataset); the MemPalace, supermemory, TencentDB (PersonaMem), and oracleagentmemory figures are vendor self-reported claims we have not independently reproduced (oracleagentmemory's run used GPT-5.5 against an Oracle AI Database). Shown side by side for ballpark only, not a head-to-head on identical data. Star counts are approximate and drift over time.
+Choose by workload and deployment. Other products also offer local deployment or agent plugins, so those alone are not useful differentiators.
-**Newer entrants** worth knowing, compared in depth in [`benchmark/COMPARISON.md`](benchmark/COMPARISON.md):
-
-| System | ⭐ | Angle |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal knowledge graph; strongest published temporal-query results (LongMemEval 63.8%), but graph builds asynchronously so fresh facts can lag |
-| Cognee | 30K | Document-to-knowledge-graph ingestion, Python-only, built for structured entity extraction rather than session capture |
+| Project | Best starting point for |
+|---|---|
+| **AgentMemory** | Shared local memory for existing coding agents, automatic capture, scoped recall and a live viewer |
+| [Mem0](https://docs.mem0.ai/introduction) | Memory APIs, hosted or self-hosted, with SDKs and agent plugins |
+| [Supermemory](https://supermemory.ai/docs/self-hosting/overview) | Memory and document context through a hosted API or local server |
+| [Zep / Graphiti](https://github.com/getzep/graphiti) | Enterprise context and temporal knowledge graphs |
+| [Letta](https://docs.letta.com/) | Building stateful agents with their own managed memory |
+| [Cognee](https://github.com/topoteretes/cognee) | Turning documents, code and conversations into searchable knowledge |
+| [claude-mem](https://github.com/thedotmack/claude-mem) | Capturing and summarizing coding sessions across supported agents |
-AgentMemory combines coding-agent capture, searchable project history and a local viewer, with keyless operation available from the first run.
+[Detailed comparison and sources](benchmark/COMPARISON.md), checked 2026-10-28. Deployment options, provider costs and integrations vary; scores from different datasets and metrics are not a head-to-head ranking.
---
@@ -787,9 +607,9 @@ Full guide: [`integrations/hermes/`](integrations/hermes/)
Start the memory server: `npx -y @agentmemory/agentmemory@latest`
-#### Native skills via `npx skills add` (50+ agents)
+#### Native skills via `npx skills add`
-agentmemory ships 17 skills in the Claude-Code-style `
-
| - -### دقة الاسترجاع - -**coding-agent-life-v1** (مجموعة بيانات داخلية، قابلة لإعادة الإنتاج في بيئة معزولة) - -| المحوّل | P@5 | R@5 | معدل الإصابة ضمن أفضل 5 | زمن الاستجابة p50 | -|---|---|---|---|---| -| **agentmemory الهجين** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| خط أساس grep | 0.227 | 0.967 | 15 / 15 | 0 ms | - -معدل إصابة 100% ضمن أفضل 5 عند **سقف P@5 الرياضي** لهذه المجموعة (0.240، راجع بطاقة النتائج). يسترجع النظام الهجين كل جلسة مرجعية (gold)؛ بينما يفوّت grep جلسة واحدة من جلستين مرجعيتين في الاستعلام الزمني متعدد الجلسات. التحسّن هنا في **الاسترجاع + البعد الزمني**، لا في الدقة الكلية. هذا المقياس صغير وقليل الجلسات المرجعية؛ ويميّز المقياس الأكبر LongMemEval-S أدناه بشكل أفضل. التفصيل الكامل حسب النوع وملاحظة التصحيح: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025، 500 سؤال) +نتائج الاسترجاع الحالية، وتعريف المقاييس، وخطوات إعادة الاختبار: -| النظام | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25 فقط (خيار احتياطي) | 86.2% | 94.6% | 71.5% | - - | -- -### توفير الرموز (Tokens) - -| الأسلوب | الرموز/سنويًا | التكلفة/سنويًا | -|---|---|---| -| لصق السياق الكامل | 19.5M+ | غير ممكن (يتجاوز النافذة) | -| ملخَّص بواسطة LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + تضمينات محلية | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -مدمج (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| النوع | -محرك ذاكرة + خادم MCP | -واجهة برمجية لطبقة الذاكرة | -بيئة تشغيل كاملة للوكيل | -ذكاء اصطناعي شخصي | -واجهة برمجية للذاكرة + تطبيق | -محور ذاكرة جماعي (وكيل LLM وسيط) | -ذاكرة متجهية (مفتوحة المصدر) | -محرك ذاكرة (قاعدة بيانات Oracle) | -نظام ذاكرة | -ملف ثابت | -
| دقة الاسترجاع R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -غير متوفر | -مُعلَن من الشركة نفسها | -PersonaMem 76% (مُعلَن من الشركة نفسها) | -~96.6% (مُعلَن من الشركة نفسها) | -94.4% (مُعلَن من الشركة نفسها) | -غير متوفر | -غير متوفر (grep) | -
| الالتقاط التلقائي | -12 خطافًا (بلا أي جهد يدوي) | -استدعاءات add() يدوية |
-تعديلات ذاتية من الوكيل | -يدوي | -استخراج من جانب الواجهة البرمجية | -اعتراض عبر وكيل وسيط (باستبدال base-URL) | -يدوي | -استخراج عبر API | -يدوي | -تعديل يدوي | -
| البحث | -BM25 + المتجهات + الرسم البياني (دمج RRF) | -المتجهات + الرسم البياني | -متجهات (أرشيفية) | -دلالي | -متجهات + RAG | -4 أنواع من الأصول (محادثة / مهارة / Wiki / CodeGraph) | -متجهات فقط | -متجهات + دلالي | -مرجَّح بالتلاشي | -يحمّل كل شيء إلى السياق | -
| تعدد الوكلاء | -MCP + REST + حجوزات (leases) + إشارات | -API (بلا تنسيق) | -داخل بيئة تشغيل Letta فقط | -لا | -لا | -أدوار جماعية + أصول مشتركة | -لا | -محدود النطاق فقط | -مشترك بين وكلاء متعددين | -ملفات لكل وكيل على حدة | -
| الارتهان لإطار عمل محدد | -لا يوجد (أي عميل MCP) | -لا يوجد | -مرتفع (يجب استخدام Letta) | -مستقل | -لا يوجد | -وكيل وسيط يتقدّم كل استدعاء للنموذج | -لا يوجد | -Oracle Database | -لا يوجد | -تنسيق خاص بكل وكيل | -
| الاعتماديات الخارجية | -لا يتطلب خدمة قاعدة بيانات منفصلة | -Qdrant / pgvector | -Postgres + قاعدة بيانات متجهية | -متعددة | -سحابة مُدارة | -حزمة Docker (Core + Hub + Proxy) | -مخزن متجهات | -Oracle AI Database | -لا يوجد | -لا يوجد | -
| دورة حياة الذاكرة | -توحيد رباعي المستويات + تلاشي + نسيان تلقائي | -استخراج سلبي (passive) | -يديرها الوكيل | -يدوي | -نسيان تلقائي | -مراجعة يدوية؛ والتوجيه التلقائي قيد التطوير | -لا يوجد | -غير مُحدَّد | -تلاشي + توحيد | -تقليم يدوي | -
| كفاءة استخدام الرموز | -~1,900 رمز/جلسة (10$/سنويًا) | -يتفاوت حسب التكامل | -الذاكرة الأساسية داخل السياق | -متفاوت | -تسعير سحابي | -غير مُحدَّد | -بلا حد لعدد الرموز | -معتمد على LLM (متفاوت) | -متفاوت | -أكثر من 22K رمز عند 240 ملاحظة | -
| العارض اللحظي | -نعم (المنفذ 3113) | -لوحة تحكم سحابية | -لوحة تحكم سحابية | -واجهة ويب | -لوحة تحكم سحابية | -واجهة ويب للمحور (Hub) | -لا | -لا | -لا | -لا | -
| استضافة ذاتية | -نعم (افتراضيًا) | -اختياري | -اختياري | -نعم | -لا (سحابي فقط) | -نعم (Docker) | -نعم | -نعم (Oracle DB) | -نعم | -نعم | -
benchmark/COMPARISON.md). أما أرقام mem0 وLetta فهي أرقامهما المنشورة على LoCoMo (مجموعة بيانات مختلفة)؛ وأرقام MemPalace وsupermemory وTencentDB (PersonaMem) وoracleagentmemory هي ادعاءات مُعلَنة من الشركات نفسها لم نُعِد إنتاجها بشكل مستقل (استخدمت عملية تشغيل oracleagentmemory نموذج GPT-5.5 مقابل قاعدة بيانات Oracle AI Database). عُرضت جنبًا إلى جنب للمقارنة التقريبية فقط، لا كمواجهة مباشرة على بيانات متطابقة. أعداد النجوم تقريبية وتتغير مع الوقت.
-
-**داخلون جدد** تستحق المعرفة، مع مقارنة تفصيلية في [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| النظام | ⭐ | الزاوية |
-|--------|---|-------|
-| Zep / Graphiti | 30K | رسم بياني معرفي زمني؛ يملك أقوى نتائج منشورة للاستعلامات الزمنية (LongMemEval 63.8%)، لكن بناء الرسم البياني يتم بشكل غير متزامن، فقد تتأخر الحقائق الجديدة |
-| Cognee | 30K | استيعاب يحوّل المستندات إلى رسم بياني معرفي، مخصص لـ Python فقط، ومبني لاستخراج الكيانات البنيوية لا لالتقاط الجلسات |
+مقارنة محدثة بين المنتجات وخيارات النشر، مع المصادر:
-يجمع AgentMemory التقاط الجلسات وسجل المشروع القابل للبحث والعارض المحلي، مع العمل دون مفتاح منذ التشغيل الأول.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -846,7 +638,7 @@ npx skills add rohitg00/agentmemory -y -a '*' # install to every installed age
| **Antigravity IDE / 2.0** | `~/.gemini/config/mcp_config.json` | يُثبِّت `agentmemory connect antigravity --with-hooks` خطافات MCP والالتقاط في دليل التخصيص (customization) المشترك. راجع [إعداد Antigravity وحدوده](../docs/plugins/antigravity.md). |
| **Antigravity CLI** (`agy`) | `~/.gemini/config/mcp_config.json` | يستخدم `agentmemory connect antigravity-cli --with-hooks` نفس إعدادات MCP والخطافات المستخدمة في إصدارات IDE الحالية. ينبغي للتثبيتات الحالية التحديث باستخدام `--force`؛ راجع [ملاحظات الترقية](../docs/plugins/antigravity.md). |
| **Kiro** | `~/.kiro/settings/mcp.json` | يكتب `agentmemory connect kiro` الإعدادات على مستوى المستخدم. وتوضع تجاوزات مساحة العمل في `.kiro/settings/mcp.json` بجانب شفرتك. |
-| **Warp** | `~/.warp/.mcp.json` | يكتب `agentmemory connect warp` كتلة `mcpServers` القياسية. يكتشف Warp أيضًا المهارات تلقائيًا من `.claude/skills/`؛ وبمجرد تثبيت إضافة Claude Code، تظهر مهارات agentmemory الثماني (`remember` و`recall` و`recap` و`handoff` و`forget` و`commit-context` و`commit-history` و`session-history`) أصليًا في لوحة أوامر الشرطة في Warp. |
+| **Warp** | `~/.warp/.mcp.json` | يكتب `agentmemory connect warp` كتلة `mcpServers` القياسية. يكتشف Warp أيضًا المهارات تلقائيًا من `.claude/skills/`؛ وبمجرد تثبيت إضافة Claude Code، تظهر مهارات agentmemory التسع (`remember` و`recall` و`recap` و`handoff` و`forget` و`lesson` و`commit-context` و`commit-history` و`session-history`) أصليًا في لوحة أوامر الشرطة في Warp. |
| **Cline (CLI)** | `~/.cline/mcp.json` | يكتب `agentmemory connect cline` كتلة `mcpServers` القياسية. لمستخدمي إضافة VS Code: الصق الكتلة نفسها عبر Cline Settings ← MCP Servers ← Edit JSON. |
| **Continue.dev** | `~/.continue/config.yaml` (مفضّل) أو `config.json` (قديم) | ينشئ `agentmemory connect continue` ملف `config.yaml` عند غياب الإعدادات، أو يعدّل `config.json` الموجود. بالنسبة إلى YAML موجود، يعرض الكتلة لإضافتها تحت `mcpServers:` للحفاظ على التعليقات والمراسي. يستخدم Continue مصفوفة لا كائنًا. |
| **Zed** | `~/.config/zed/settings.json` | يكتب `agentmemory connect zed` تحت `context_servers` (مفتاح Zed الخاص، وليس `mcpServers`). يمكن ربط خوادم MCP البعيدة بدلًا من ذلك عبر `{"url": "..."}`. |
@@ -928,7 +720,6 @@ npx -y @agentmemory/mcp
|---|---|---|
| الصيانة | تعليمات تُدار يدويًا | سجل جلسات وذكريات مفهرسة |
| البحث | يحمّل كل شيء إلى السياق | BM25 + متجهات + رسم بياني (أفضل K فقط) |
-| تكلفة الرموز | أكثر من 22K عند 240 ملاحظة | ~1,900 رمز (أقل بنسبة 92%) |
| بين الوكلاء | ملفات لكل وكيل | MCP + REST (أي وكيل) |
| التنسيق | لا يوجد | حجوزات، وإشارات، وإجراءات، ومسارات عمل (routines) |
| قابلية الرصد | قراءة الملفات يدويًا | عارض لحظي على :3113 |
@@ -941,7 +732,7 @@ npx -y @agentmemory/mcp
```text
PostToolUse hook fires
- -> SHA-256 dedup (5min window)
+ -> Stable event ID / durable capture inbox / offline spool
-> Privacy filter (strip secrets, API keys)
-> Store raw observation
-> Synthetic compression by default
@@ -1026,7 +817,7 @@ SessionStart hook fires
عندما يكون فهرس المتجهات مُعبَّأً، يستخدم `mem::search` (الذي يقف خلف `memory_recall`) المُصنِّف الهجين BM25 + المتجهات. وبدون تضمينات يستخدم BM25. ويمكن لـ `smart-search` أيضًا دمج تطابقات الرسم البياني البنيوية عندما تتوفر بيانات رسم بياني، حتى في وضع عدم استخدام المفاتيح. ويعمل استرجاع الدروس المستفادة على فهرس BM25 مخصص في الذاكرة بدلًا من مسح المجموعة الكاملة في كل استعلام. وتُستبعد نسخ الذاكرة المُستبدَلة من كل مسار استرجاع؛ وتحتفظ سلسلة الإصدارات بتاريخها.
-تنجو المتجهات من الانهيار أو الإيقاف القسري. ويُحفظ فهرس المتجهات في حُزَم مرة واحدة على الأكثر كل `AGENTMEMORY_INDEX_SAVE_INTERVAL_MS` (10 دقائق). ويُكتب أيضًا كل متجه يُضاف أو يُحذف بين ذلك فورًا في سجل انتظار صغير في مخزن الحالة، ويُعاد تشغيله عند البدء التالي دون استدعاء مزوّد التضمين. ويُفرَّغ السجل عند كل حفظ ناجح. وتُعاد تضمين المستندات التي لا تزال بلا متجه بعد إعادة التشغيل في الخلفية على دفعات بحجم `AGENTMEMORY_VECTOR_BACKFILL_MAX` (500) إلى أن لا يبقى منها شيء، ويستكمل أي ملء رجعي (backfill) متوقف في البدء التالي. يُظهر `/agentmemory/status` والعارض حجم سجل الانتظار وحالة الملء الرجعي. ولا تكتب التثبيتات بلا مفاتيح أي شيء.
+[0.9.31: `AGENTMEMORY_VECTOR_BACKFILL=all` / `AGENTMEMORY_VECTOR_BACKFILL_MAX`](../docs/reliability/source-and-vector-recovery.md).
يُجزِّئ BM25 إلى رموز (tokens) اليونانية والسيريلية والعبرية والعربية واللاتينية المُشكَّلة جاهزًا دون أي إعداد. وبالنسبة لذكريات الصينية/اليابانية/الكورية، ثبّت المُجزِّئات (segmenters) الاختيارية (`npm install @node-rs/jieba tiny-segmenter`) لتقسيم سلاسل CJK إلى رموز على مستوى الكلمة؛ وبدونها، يتراجع agentmemory بسلاسة إلى تجزيء السلسلة كاملةً ويطبع تلميحًا لمرة واحدة على stderr.
@@ -1042,9 +833,9 @@ EMBEDDING_PROVIDER=local
| المزوّد | النموذج | التكلفة | ملاحظات |
|---|---|---|---|
-| **محلي (مُوصى بتفعيله)** | `all-MiniLM-L6-v2` | مجاني | على الجهاز نفسه بعد أول تنزيل للنموذج، وبزيادة 8 نقاط نسبة مئوية في الاسترجاع عن BM25 فقط |
+| **محلي (مُوصى بتفعيله)** | `all-MiniLM-L6-v2` | مجاني | [`EMBEDDING_PROVIDER=local`](../README.md#embedding-providers) |
| Gemini | `gemini-embedding-001` | مستوى مجاني | أكثر من 100 لغة، أبعاد 768/1536/3072 (MRL)، ومدخل حتى 2048 رمزًا. يحل محل `text-embedding-004` ([مُستبعَد، يُغلق في 14 يناير 2026](https://ai.google.dev/gemini-api/docs/deprecations)) |
-| OpenAI | `text-embedding-3-small` | 0.02$/مليون | أعلى جودة |
+| OpenAI | `text-embedding-3-small` | [OpenAI](https://openai.com/api/pricing/) | [text-embedding-3-small](https://platform.openai.com/docs/models/text-embedding-3-small) |
| Voyage AI | `voyage-code-3` | مدفوع | مُحسَّن للشفرة |
| Cohere | `embed-english-v3.0` | نسخة تجريبية مجانية | للاستخدام العام |
| OpenRouter | أي نموذج | متفاوت | وكيل متعدد النماذج |
diff --git a/READMEs/README.bn-BD.md b/READMEs/README.bn-BD.md
index 4346dd2b65..f484461278 100644
--- a/READMEs/README.bn-BD.md
+++ b/READMEs/README.bn-BD.md
@@ -66,8 +66,6 @@
-
| - -### রিট্রিভাল অ্যাকুরেসি - -**coding-agent-life-v1** (ইন-হাউস করপাস, স্যান্ডবক্সে রিপ্রোডিউসযোগ্য) - -| অ্যাডাপ্টার | P@5 | R@5 | টপ-5 হিট রেট | p50 লেটেন্সি | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep বেসলাইন | 0.227 | 0.967 | 15 / 15 | 0 ms | - -এই করপাসের জন্য **P@5-এর গাণিতিক সর্বোচ্চ সীমায় (0.240, স্কোরকার্ড দেখুন)** 100% টপ-5 হিট রেট। Hybrid প্রতিটি গোল্ড সেশন রিট্রিভ করে; multi-session temporal কোয়েরিতে grep 2টির মধ্যে 1টি গোল্ড মিস করে। উন্নতিটা **রিকল + টেম্পোরাল**-এর, অ্যাগ্রিগেট প্রিসিশনের নয়। এই বেঞ্চমার্কটি ছোট এবং গোল্ড-স্পার্স; নিচের বড় LongMemEval-S আরও ভালোভাবে পার্থক্য দেখায়। প্রতি-টাইপ সম্পূর্ণ ব্রেকডাউন + সংশোধন নোট: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)। - -**LongMemEval-S** (ICLR 2025, 500 প্রশ্ন) +বর্তমান পুনরুদ্ধারের ফলাফল, মেট্রিকের সংজ্ঞা ও পুনরায় পরীক্ষার ধাপ: -| সিস্টেম | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| শুধু BM25 ফলব্যাক | 86.2% | 94.6% | 71.5% | - - | -- -### টোকেন সাশ্রয় - -| পদ্ধতি | টোকেন/বছর | খরচ/বছর | -|---|---|---| -| সম্পূর্ণ কনটেক্সট পেস্ট করা | 19.5M+ | অসম্ভব (উইন্ডো অতিক্রম করে) | -| LLM-সংক্ষেপিত | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + লোকাল এমবেডিং | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -বিল্ট-ইন (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| ধরন | -মেমরি ইঞ্জিন + MCP সার্ভার | -মেমরি লেয়ার API | -সম্পূর্ণ এজেন্ট রানটাইম | -পার্সোনাল AI | -মেমরি API + অ্যাপ | -টিম মেমরি হাব (LLM প্রক্সি) | -ভেক্টর মেমরি (OSS) | -মেমরি ইঞ্জিন (Oracle DB) | -মেমরি সিস্টেম | -স্ট্যাটিক ফাইল | -
| রিট্রিভাল R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -স্ব-ঘোষিত | -PersonaMem 76% (স্ব-ঘোষিত) | -~96.6% (স্ব-ঘোষিত) | -94.4% (স্ব-ঘোষিত) | -N/A | -N/A (grep) | -
| অটো-ক্যাপচার | -12 হুক (ম্যানুয়াল পরিশ্রম শূন্য) | -ম্যানুয়াল add() কল |
-এজেন্ট সেলফ-এডিট | -ম্যানুয়াল | -API-সাইড এক্সট্রাকশন | -প্রক্সি ইন্টারসেপশন (base-URL সোয়াপ) | -ম্যানুয়াল | -API এক্সট্রাকশন | -ম্যানুয়াল | -ম্যানুয়াল এডিটিং | -
| সার্চ | -BM25 + Vector + Graph (RRF ফিউশন) | -Vector + Graph | -Vector (আর্কাইভাল) | -সিম্যান্টিক | -Vector + RAG | -4 ধরনের অ্যাসেট (Chat / Skill / Wiki / CodeGraph) | -কেবল Vector | -Vector + সিম্যান্টিক | -ডিকে-ওয়েটেড | -সব কনটেক্সটে লোড করে | -
| মাল্টি-এজেন্ট | -MCP + REST + lease + signal | -API (কোনো কো-অর্ডিনেশন নেই) | -কেবল Letta রানটাইমের মধ্যে | -না | -না | -টিম রোল + শেয়ার্ড অ্যাসেট | -না | -কেবল স্কোপড | -মাল্টি-এজেন্ট শেয়ার্ড | -প্রতি-এজেন্ট ফাইল | -
| ফ্রেমওয়ার্ক লক-ইন | -নেই (যেকোনো MCP ক্লায়েন্ট) | -নেই | -বেশি (Letta-ই ব্যবহার করতে হবে) | -স্ট্যান্ডঅ্যালোন | -নেই | -প্রক্সি প্রতিটি মডেল কলের সামনে থাকে | -নেই | -Oracle Database | -নেই | -প্রতি-এজেন্ট ফরম্যাট | -
| এক্সটার্নাল ডিপেন্ডেন্সি | -আলাদা ডেটাবেস সেবা দরকার নেই | -Qdrant / pgvector | -Postgres + ভেক্টর DB | -একাধিক | -ম্যানেজড ক্লাউড | -Docker স্ট্যাক (Core + Hub + Proxy) | -ভেক্টর স্টোর | -Oracle AI Database | -নেই | -নেই | -
| মেমরি লাইফসাইকেল | -4-টায়ার কনসোলিডেশন + ডিকে + অটো-ফরগেট | -প্যাসিভ এক্সট্রাকশন | -এজেন্ট-ম্যানেজড | -ম্যানুয়াল | -অটো-ফরগেট | -ম্যানুয়াল রিভিউ; অটো-রাউটিং চলছে | -নেই | -বলা নেই | -ডিকে + কনসোলিডেশন | -ম্যানুয়াল প্রুনিং | -
| টোকেন এফিশিয়েন্সি | -~1,900 টোকেন/সেশন ($10/বছর) | -ইন্টিগ্রেশন অনুযায়ী ভিন্ন | -কোর মেমরি কনটেক্সটে থাকে | -ভিন্ন হয় | -ক্লাউড প্রাইসিং | -বলা নেই | -কোনো টোকেন বাজেট নেই | -LLM-ব্যাকড (ভিন্ন হয়) | -ভিন্ন হয় | -240 অবজারভেশনে 22K+ টোকেন | -
| রিয়েল-টাইম ভিউয়ার | -হ্যাঁ (পোর্ট 3113) | -ক্লাউড ড্যাশবোর্ড | -ক্লাউড ড্যাশবোর্ড | -ওয়েব UI | -ক্লাউড ড্যাশবোর্ড | -হাব ওয়েব UI | -না | -না | -না | -না | -
| সেলফ-হোস্টেড | -হ্যাঁ (ডিফল্ট) | -অপশনাল | -অপশনাল | -হ্যাঁ | -না (কেবল ক্লাউড) | -হ্যাঁ (Docker) | -হ্যাঁ | -হ্যাঁ (Oracle DB) | -হ্যাঁ | -হ্যাঁ | -
benchmark/COMPARISON.md থেকে রিপ্রোডিউসযোগ্য)। mem0 এবং Letta-র সংখ্যাগুলো তাদের প্রকাশিত LoCoMo নম্বর (একটি ভিন্ন ডেটাসেট); MemPalace, supermemory, TencentDB (PersonaMem), এবং oracleagentmemory-র সংখ্যাগুলো ভেন্ডরের স্ব-ঘোষিত দাবি যা আমরা স্বতন্ত্রভাবে রিপ্রোডিউস করিনি (oracleagentmemory-র রানটি একটি Oracle AI Database-এর বিরুদ্ধে GPT-5.5 ব্যবহার করেছিল)। পাশাপাশি দেখানো হয়েছে কেবল মোটামুটি ধারণা দেওয়ার জন্য, অভিন্ন ডেটার উপর মুখোমুখি তুলনা নয়। স্টার সংখ্যা আনুমানিক এবং সময়ের সাথে বদলায়।
-
-**নতুন প্রতিযোগী** যাদের জানা দরকার, [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md)-এ গভীরভাবে তুলনা করা হয়েছে:
-
-| সিস্টেম | ⭐ | অ্যাঙ্গেল |
-|--------|---|-------|
-| Zep / Graphiti | 30K | টেম্পোরাল নলেজ গ্রাফ; সবচেয়ে শক্তিশালী প্রকাশিত টেম্পোরাল-কোয়েরি ফল (LongMemEval 63.8%), কিন্তু গ্রাফ অ্যাসিনক্রোনাসভাবে তৈরি হয় তাই নতুন তথ্য দেরিতে আসতে পারে |
-| Cognee | 30K | ডকুমেন্ট-থেকে-নলেজ-গ্রাফ ইনজেশন, কেবল Python, সেশন ক্যাপচারের বদলে স্ট্রাকচারড এনটিটি এক্সট্র্যাকশনের জন্য তৈরি |
+পণ্য ও স্থাপনার বিকল্পের হালনাগাদ তুলনা এবং উৎস:
-AgentMemory সেশন ক্যাপচার, অনুসন্ধানযোগ্য প্রজেক্ট ইতিহাস ও লোকাল ভিউয়ার একসঙ্গে দেয়; প্রথমবার থেকেই কী ছাড়া ব্যবহার করা যায়।
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
মেমরি সার্ভার শুরু করুন: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add`-এর মাধ্যমে নেটিভ স্কিল (50+ এজেন্ট)
+#### `npx skills add`-এর মাধ্যমে নেটিভ স্কিল
agentmemory Claude-Code-স্টাইলের `
-
| - -### Přesnost vyhledávání - -**coding-agent-life-v1** (vlastní korpus, reprodukovatelný v sandboxu) - -| Adaptér | P@5 | R@5 | Úspěšnost top-5 | latence p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% úspěšnost top-5 na **matematickém stropu P@5** pro tento korpus (0.240, viz scorecard). Hybrid najde každou zlatou session; grep mine 1 ze 2 zlatých u vícesessionového temporálního dotazu. Zisk je v **recall + temporalitě**, ne v agregátní přesnosti. Tento benchmark je malý a s málo zlatými případy; větší LongMemEval-S níže rozlišuje lépe. Úplný rozpad podle typu + oprava: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 otázek) +Aktuální výsledky vyhledávání, definice metrik a postup reprodukce: -| Systém | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| záložní režim pouze BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Úspora tokenů - -| Přístup | Tokenů/rok | Náklady/rok | -|---|---|---| -| Vložení celého kontextu | 19.5M+ | Nemožné (překračuje okno) | -| Shrnuto LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokální embeddingy | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Vestavěné (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Typ | -Paměťový engine + server MCP | -API paměťové vrstvy | -Plný runtime agenta | -Osobní AI | -API paměti + aplikace | -Týmový hub paměti (LLM proxy) | -Vektorová paměť (OSS) | -Paměťový engine (Oracle DB) | -Systém paměti | -Statický soubor | -
| Vyhledávání R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Údaj výrobce | -PersonaMem 76% (údaj výrobce) | -~96.6% (údaj výrobce) | -94.4% (údaj výrobce) | -N/A | -N/A (grep) | -
| Automatické zachycení | -12 hooks (bez manuálního úsilí) | -Manuální volání add() |
-Agent si upravuje sám | -Manuální | -Extrakce na straně API | -Zachytávání přes proxy (výměna base URL) | -Manuální | -Extrakce přes API | -Manuální | -Manuální úpravy | -
| Vyhledávání | -BM25 + vektor + graf (fúze RRF) | -Vektor + graf | -Vektor (archivní) | -Sémantické | -Vektor + RAG | -4 typy assetů (Chat / Skill / Wiki / CodeGraph) | -Pouze vektor | -Vektor + sémantika | -Váženo rozpadem (decay) | -Načte vše do kontextu | -
| Multi-agent | -MCP + REST + leases + signály | -API (bez koordinace) | -Pouze uvnitř runtime Letta | -Ne | -Ne | -Týmové role + sdílené assety | -Ne | -Pouze v rámci rozsahu | -Sdíleno mezi agenty | -Soubory po agentech | -
| Vázanost na framework | -Žádná (jakýkoli klient MCP) | -Žádná | -Vysoká (musíte používat Letta) | -Samostatné | -Žádná | -Proxy stojí před každým voláním modelu | -Žádná | -Oracle Database | -Žádná | -Formát po agentech | -
| Externí závislosti | -Není potřeba samostatná databázová služba | -Qdrant / pgvector | -Postgres + vektorová DB | -Více | -Správovaný cloud | -Docker stack (Core + Hub + Proxy) | -Vektorové úložiště | -Oracle AI Database | -Žádné | -Žádné | -
| Životní cyklus paměti | -4úrovňová konsolidace + rozpad + automatické zapomínání | -Pasivní extrakce | -Správa agentem | -Manuální | -Automatické zapomínání | -Manuální revize; automatické směrování se připravuje | -Žádný | -Neuvedeno | -Rozpad + konsolidace | -Manuální prořezávání | -
| Efektivita tokenů | -~1,900 tokenů/session ($10/rok) | -Liší se podle integrace | -Klíčová paměť v kontextu | -Liší se | -Cloudové ceny | -Neuvedeno | -Žádný rozpočet tokenů | -Založeno na LLM (liší se) | -Liší se | -22K+ tokenů při 240 obs. | -
| Viewer v reálném čase | -Ano (port 3113) | -Cloudový dashboard | -Cloudový dashboard | -Webové UI | -Cloudový dashboard | -Webové UI hubu | -Ne | -Ne | -Ne | -Ne | -
| Self-hosted | -Ano (výchozí) | -Volitelné | -Volitelné | -Ano | -Ne (pouze cloud) | -Ano (Docker) | -Ano | -Ano (Oracle DB) | -Ano | -Ano | -
benchmark/COMPARISON.md). Čísla pro mem0 a Letta jsou jejich publikované hodnoty LoCoMo (jiný dataset); čísla pro MemPalace, supermemory, TencentDB (PersonaMem) a oracleagentmemory jsou tvrzení výrobců, která jsme nezávisle nereprodukovali (běh oracleagentmemory použil GPT-5.5 proti Oracle AI Database). Uvedeno vedle sebe jen pro orientační srovnání, nejde o přímé porovnání na identických datech. Počty hvězd jsou orientační a v čase se mění.
-
-**Novější konkurenti**, o kterých má smysl vědět, podrobně srovnáni v [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Systém | ⭐ | Přístup |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporální znalostní graf; nejsilnější publikované výsledky pro temporální dotazy (LongMemEval 63.8%), ale graf se buduje asynchronně, takže čerstvá fakta mohou zpožďovat |
-| Cognee | 30K | Načítání dokumentů do znalostního grafu, pouze Python, navrženo pro strukturovanou extrakci entit, nikoli pro zachytávání sessions |
+Aktuální srovnání produktů a možností nasazení se zdroji:
-AgentMemory spojuje zachycení sessions, prohledávatelnou historii projektu a lokální viewer; bez klíče funguje od prvního spuštění.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
Spusťte server paměti: `npx -y @agentmemory/agentmemory@latest`
-#### Nativní skills přes `npx skills add` (50+ agentů)
+#### Nativní skills přes `npx skills add`
agentmemory dodává 17 skills ve formátu `
-
| - -### Retrieval-nøjagtighed - -**coding-agent-life-v1** (internt korpus, reproducerbart i sandbox) - -| Adapter | P@5 | R@5 | Top-5-hitrate | p50-latens | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% top-5-hitrate ved **P@5-matematikkens loft** for dette korpus (0.240, se scorecard). Hybrid finder hver gylden session; grep misser 1 af 2 gyldne i den multi-session-temporale forespørgsel. Forbedringen er **recall + temporal**, ikke samlet precision. Dette benchmark er lille og har få gyldne eksempler; det større LongMemEval-S nedenfor differentierer bedre. Fuld opdeling pr. type + korrektionsnote: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 spørgsmål) +Aktuelle søgeresultater, definitioner af målinger og trin til gentagelse: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Kun BM25-fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Tokenbesparelser - -| Metode | Tokens/år | Omkostning/år | -|---|---|---| -| Indsæt fuld kontekst | 19.5M+ | Umuligt (overstiger konteksten) | -| LLM-opsummeret | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokale embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Indbygget (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Type | -Hukommelsesmotor + MCP-server | -Hukommelseslag-API | -Fuld agent-runtime | -Personlig AI | -Hukommelses-API + app | -Team-hukommelseshub (LLM-proxy) | -Vektorhukommelse (OSS) | -Hukommelsesmotor (Oracle DB) | -Hukommelsessystem | -Statisk fil | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Selvrapporteret | -PersonaMem 76% (selvrapporteret) | -~96.6% (selvrapporteret) | -94.4% (selvrapporteret) | -N/A | -N/A (grep) | -
| Automatisk indsamling | -12 hooks (ingen manuel indsats) | -Manuelle add()-kald |
-Agenten redigerer selv | -Manuel | -Udtrækning på API-siden | -Proxy-aflytning (ombytning af base-URL) | -Manuel | -API-udtrækning | -Manuel | -Manuel redigering | -
| Søgning | -BM25 + vektor + graf (RRF-fusion) | -Vektor + graf | -Vektor (arkiv) | -Semantisk | -Vektor + RAG | -4 aktivtyper (Chat / Skill / Wiki / CodeGraph) | -Kun vektor | -Vektor + semantisk | -Forfald-vægtet | -Indlæser alt i konteksten | -
| Multi-agent | -MCP + REST + leases + signaler | -API (ingen koordinering) | -Kun inden for Letta-runtime | -Nej | -Nej | -Teamroller + delte aktiver | -Nej | -Kun scoped | -Delt mellem flere agenter | -Filer pr. agent | -
| Framework-lock-in | -Ingen (enhver MCP-klient) | -Ingen | -Høj (skal bruge Letta) | -Selvstændig | -Ingen | -Proxy foran hvert modelkald | -Ingen | -Oracle Database | -Ingen | -Format pr. agent | -
| Eksterne afhængigheder | -Ingen separat databasetjeneste nødvendig | -Qdrant / pgvector | -Postgres + vektordatabase | -Flere | -Administreret cloud | -Docker-stack (Core + Hub + Proxy) | -Vektorlager | -Oracle AI Database | -Ingen | -Ingen | -
| Hukommelseslivscyklus | -4-lags konsolidering + forfald + auto-forglemmelse | -Passiv udtrækning | -Agent-styret | -Manuel | -Auto-forglemmelse | -Manuel gennemgang; auto-routing under udvikling | -Ingen | -Ikke angivet | -Forfald + konsolidering | -Manuel beskæring | -
| Tokeneffektivitet | -~1,900 tokens/session ($10/år) | -Varierer efter integration | -Core-hukommelse i konteksten | -Varierer | -Cloud-prissætning | -Ikke angivet | -Intet tokenbudget | -LLM-baseret (varierer) | -Varierer | -22K+ tokens ved 240 observationer | -
| Realtids-viewer | -Ja (port 3113) | -Cloud-dashboard | -Cloud-dashboard | -Web-UI | -Cloud-dashboard | -Hub web-UI | -Nej | -Nej | -Nej | -Nej | -
| Selvhostet | -Ja (standard) | -Valgfrit | -Valgfrit | -Ja | -Nej (kun cloud) | -Ja (Docker) | -Ja | -Ja (Oracle DB) | -Ja | -Ja | -
benchmark/COMPARISON.md). Tallene for mem0 og Letta er deres publicerede LoCoMo-tal (et andet datasæt); tallene for MemPalace, supermemory, TencentDB (PersonaMem) og oracleagentmemory er leverandørens selvrapporterede påstande, som vi ikke selv har reproduceret (oracleagentmemorys kørsel brugte GPT-5.5 mod en Oracle AI Database). Vist side om side kun som et groft overblik, ikke en direkte sammenligning på identiske data. Stjerneantal er cirka og ændrer sig over tid.
-
-**Nyere aktører**, som er værd at kende, sammenlignet i detaljer i [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | Vinkel |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal videngraf; stærkeste publicerede resultater for temporale forespørgsler (LongMemEval 63.8%), men grafen bygges asynkront, så nye fakta kan halte |
-| Cognee | 30K | Dokument-til-videngraf-indlæsning, kun Python, bygget til struktureret entitetsudtrækning snarere end sessionsindsamling |
+Opdateret sammenligning af produkter og driftsmuligheder med kilder:
-AgentMemory kombinerer registrering fra kodningsagenter, søgbar projekthistorik og en lokal viewer. Du kan arbejde uden nøgle fra første start.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Fuld guide: [`integrations/hermes/`](../integrations/hermes/)
Start hukommelsesserveren: `npx -y @agentmemory/agentmemory@latest`
-#### Native skills via `npx skills add` (50+ agenter)
+#### Native skills via `npx skills add`
agentmemory leveres med 17 skills i Claude-Code-stilens `
-
| - -### Retrieval-Genauigkeit - -**coding-agent-life-v1** (interner Korpus, Sandbox-reproduzierbar) - -| Adapter | P@5 | R@5 | Top-5-Trefferquote | p50-Latenz | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-Baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100 % Top-5-Trefferquote an der **mathematischen P@5-Obergrenze** für diesen Korpus (0.240, siehe Scorecard). Hybrid findet jede Gold-Session; grep verfehlt 1 von 2 Gold-Sessions bei der Multi-Session-Temporalanfrage. Der Gewinn ist **Recall + Temporal**, nicht aggregierte Präzision. Dieser Benchmark ist klein und Gold-arm; das größere LongMemEval-S unten differenziert besser. Vollständige Aufschlüsselung pro Typ + Korrekturhinweis: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 Fragen) +Aktuelle Retrieval-Ergebnisse, Metrikdefinitionen und Schritte zur Reproduktion: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Nur-BM25-Fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Token-Einsparungen - -| Ansatz | Tokens/Jahr | Kosten/Jahr | -|---|---|---| -| Vollständigen Kontext einfügen | 19.5M+ | Unmöglich (überschreitet das Fenster) | -| LLM-zusammengefasst | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokale Embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Eingebaut (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Typ | -Memory-Engine + MCP-Server | -Memory-Layer-API | -Komplette Agenten-Runtime | -Persönliche KI | -Memory-API + App | -Team-Memory-Hub (LLM-Proxy) | -Vector-Memory (OSS) | -Memory-Engine (Oracle DB) | -Memory-System | -Statische Datei | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/V | -Selbst berichtet | -PersonaMem 76% (selbst berichtet) | -~96.6% (selbst berichtet) | -94.4% (selbst berichtet) | -N/V | -N/V (grep) | -
| Auto-Erfassung | -12 Hooks (null manueller Aufwand) | -Manuelle add()-Aufrufe |
-Agent bearbeitet sich selbst | -Manuell | -API-seitige Extraktion | -Proxy-Interception (Base-URL-Tausch) | -Manuell | -API-Extraktion | -Manuell | -Manuelle Bearbeitung | -
| Suche | -BM25 + Vector + Graph (RRF-Fusion) | -Vector + Graph | -Vector (Archival) | -Semantisch | -Vector + RAG | -4 Asset-Typen (Chat / Skill / Wiki / CodeGraph) | -Nur Vector | -Vector + semantisch | -Decay-gewichtet | -Lädt alles in den Kontext | -
| Multi-Agent | -MCP + REST + Leases + Signals | -API (keine Koordination) | -Nur innerhalb der Letta-Runtime | -Nein | -Nein | -Team-Rollen + geteilte Assets | -Nein | -Nur Scoped | -Multi-Agent geteilt | -Dateien pro Agent | -
| Framework-Lock-in | -Keiner (jeder MCP-Client) | -Keiner | -Hoch (Letta erforderlich) | -Standalone | -Keiner | -Proxy sitzt vor jedem Modellaufruf | -Keiner | -Oracle Database | -Keiner | -Format pro Agent | -
| Externe Abhängigkeiten | -Kein separater Datenbankdienst erforderlich | -Qdrant / pgvector | -Postgres + Vector-DB | -Mehrere | -Managed Cloud | -Docker-Stack (Core + Hub + Proxy) | -Vector-Store | -Oracle AI Database | -Keine | -Keine | -
| Memory-Lifecycle | -4-stufige Konsolidierung + Decay + Auto-Forget | -Passive Extraktion | -Vom Agenten verwaltet | -Manuell | -Auto-Forget | -Manuelles Review; Auto-Routing in Arbeit | -Keiner | -Nicht angegeben | -Decay + Konsolidierung | -Manuelles Pruning | -
| Token-Effizienz | -~1,900 Tokens/Session ($10/Jahr) | -Je nach Integration unterschiedlich | -Core Memory im Kontext | -Variiert | -Cloud-Preise | -Nicht angegeben | -Kein Token-Budget | -LLM-gestützt (variiert) | -Variiert | -22K+ Tokens bei 240 Beobachtungen | -
| Echtzeit-Viewer | -Ja (Port 3113) | -Cloud-Dashboard | -Cloud-Dashboard | -Web-UI | -Cloud-Dashboard | -Hub-Web-UI | -Nein | -Nein | -Nein | -Nein | -
| Self-hosted | -Ja (Standard) | -Optional | -Optional | -Ja | -Nein (nur Cloud) | -Ja (Docker) | -Ja | -Ja (Oracle DB) | -Ja | -Ja | -
benchmark/COMPARISON.md). Die Zahlen von mem0 und Letta sind deren veröffentlichte LoCoMo-Werte (ein anderer Datensatz); die Zahlen von MemPalace, supermemory, TencentDB (PersonaMem) und oracleagentmemory sind selbst berichtete Herstellerangaben, die wir nicht unabhängig reproduziert haben (der Lauf von oracleagentmemory verwendete GPT-5.5 gegen eine Oracle AI Database). Nebeneinander nur zur groben Einordnung gezeigt, kein direkter Vergleich auf identischen Daten. Star-Zahlen sind ungefähr und driften über die Zeit.
-
-**Neuere Einsteiger**, die man kennen sollte, ausführlich verglichen in [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | Ausrichtung |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporaler Knowledge Graph; stärkste veröffentlichte Temporal-Query-Ergebnisse (LongMemEval 63.8%), aber der Graph wird asynchron aufgebaut, sodass frische Fakten hinterherhinken können |
-| Cognee | 30K | Dokument-zu-Knowledge-Graph-Ingestion, nur Python, gebaut für strukturierte Entitäten-Extraktion statt Session-Erfassung |
+Aktueller Vergleich von Produkten und Bereitstellungsoptionen mit Quellen:
-AgentMemory verbindet die Erfassung durch Coding-Agenten mit durchsuchbarer Projekthistorie und einem lokalen Viewer. Der Betrieb ohne API-Schlüssel ist vom ersten Start an möglich.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -777,7 +569,7 @@ Vollständiger Leitfaden: [`integrations/hermes/`](../integrations/hermes/)
Starten Sie den Memory-Server: `npx -y @agentmemory/agentmemory@latest`
-#### Native Skills via `npx skills add` (50+ Agenten)
+#### Native Skills via `npx skills add`
agentmemory liefert 17 Skills im Claude-Code-artigen `
-
| - -### Ακρίβεια Ανάκλησης - -**coding-agent-life-v1** (εσωτερικό corpus, αναπαραγώγιμο σε sandbox) - -| Προσαρμογέας | P@5 | R@5 | Ποσοστό επιτυχίας Top-5 | Καθυστέρηση p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep βασικής αναφοράς | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Ποσοστό επιτυχίας Top-5 100% στο **ανώτατο μαθηματικό όριο P@5** για αυτό το corpus (0.240, δείτε το scorecard). Το hybrid ανακτά κάθε gold συνεδρία· το grep χάνει 1 από τα 2 gold στο ερώτημα πολλαπλών συνεδριών με χρονική διάσταση. Η βελτίωση είναι σε **ανάκληση + χρονικότητα**, όχι σε συνολική ακρίβεια. Αυτό το benchmark είναι μικρό και με λίγα gold δεδομένα· το μεγαλύτερο LongMemEval-S παρακάτω διαφοροποιεί καλύτερα. Πλήρης ανάλυση ανά τύπο + σημείωση διόρθωσης: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 ερωτήσεις) +Τρέχοντα αποτελέσματα ανάκτησης, ορισμοί μετρικών και βήματα αναπαραγωγής: -| Σύστημα | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Μόνο-BM25 (fallback) | 86.2% | 94.6% | 71.5% | - - | -- -### Εξοικονόμηση Tokens - -| Προσέγγιση | Tokens/έτος | Κόστος/έτος | -|---|---|---| -| Επικόλληση πλήρους context | 19.5M+ | Αδύνατο (υπερβαίνει το παράθυρο) | -| Σύνοψη από LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + τοπικά embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Ενσωματωμένο (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Τύπος | -Μηχανή μνήμης + διακομιστής MCP | -API επιπέδου μνήμης | -Πλήρες runtime agent | -Προσωπικό AI | -API μνήμης + εφαρμογή | -Κόμβος μνήμης ομάδας (proxy LLM) | -Vector μνήμη (OSS) | -Μηχανή μνήμης (Oracle DB) | -Σύστημα μνήμης | -Στατικό αρχείο | -
| Ανάκληση R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Αυτοαναφερόμενο | -PersonaMem 76% (αυτοαναφερόμενο) | -~96.6% (αυτοαναφερόμενο) | -94.4% (αυτοαναφερόμενο) | -N/A | -N/A (grep) | -
| Αυτόματη καταγραφή | -12 hooks (καμία χειροκίνητη προσπάθεια) | -Χειροκίνητες κλήσεις add() |
-Αυτο-επεξεργασίες από τον agent | -Χειροκίνητο | -Εξαγωγή από την πλευρά του API | -Παρεμβολή proxy (αλλαγή base-URL) | -Χειροκίνητο | -Εξαγωγή API | -Χειροκίνητο | -Χειροκίνητη επεξεργασία | -
| Αναζήτηση | -BM25 + Vector + Graph (συγχώνευση RRF) | -Vector + Graph | -Vector (αρχειοθέτηση) | -Σημασιολογική | -Vector + RAG | -4 τύποι assets (Chat / Skill / Wiki / CodeGraph) | -Μόνο Vector | -Vector + σημασιολογική | -Σταθμισμένη βάσει decay | -Φορτώνει τα πάντα στο context | -
| Πολλαπλών agents | -MCP + REST + leases + σήματα | -API (χωρίς συντονισμό) | -Μόνο εντός του runtime Letta | -Όχι | -Όχι | -Ρόλοι ομάδας + κοινά assets | -Όχι | -Μόνο εντός scope | -Κοινό μεταξύ πολλών agents | -Αρχεία ανά agent | -
| Εξάρτηση από framework | -Καμία (οποιοδήποτε MCP client) | -Καμία | -Υψηλή (απαιτεί χρήση Letta) | -Αυτόνομο | -Καμία | -Το proxy μεσολαβεί σε κάθε κλήση μοντέλου | -Καμία | -Oracle Database | -Καμία | -Μορφή ανά agent | -
| Εξωτερικές εξαρτήσεις | -Δεν απαιτείται ξεχωριστή υπηρεσία βάσης δεδομένων | -Qdrant / pgvector | -Postgres + vector DB | -Πολλαπλές | -Διαχειριζόμενο cloud | -Docker stack (Core + Hub + Proxy) | -Αποθήκη vector | -Oracle AI Database | -Καμία | -Καμία | -
| Κύκλος ζωής μνήμης | -Ενοποίηση 4 επιπέδων + decay + αυτόματη διαγραφή | -Παθητική εξαγωγή | -Διαχειρίζεται από τον agent | -Χειροκίνητο | -Αυτόματη διαγραφή | -Χειροκίνητη επισκόπηση· αυτόματη δρομολόγηση σε εξέλιξη | -Καμία | -Δεν αναφέρεται | -Decay + ενοποίηση | -Χειροκίνητο κλάδεμα | -
| Απόδοση tokens | -~1,900 tokens/συνεδρία ($10/έτος) | -Διαφέρει ανά ολοκλήρωση | -Βασική μνήμη εντός context | -Διαφέρει | -Τιμολόγηση cloud | -Δεν αναφέρεται | -Χωρίς προϋπολογισμό tokens | -Βασισμένο σε LLM (διαφέρει) | -Διαφέρει | -22K+ tokens σε 240 παρατηρήσεις | -
| Viewer σε πραγματικό χρόνο | -Ναι (θύρα 3113) | -Dashboard cloud | -Dashboard cloud | -Web UI | -Dashboard cloud | -Hub web UI | -Όχι | -Όχι | -Όχι | -Όχι | -
| Αυτοφιλοξενούμενο (self-hosted) | -Ναι (προεπιλογή) | -Προαιρετικό | -Προαιρετικό | -Ναι | -Όχι (μόνο cloud) | -Ναι (Docker) | -Ναι | -Ναι (Oracle DB) | -Ναι | -Ναι | -
benchmark/COMPARISON.md). Τα στοιχεία των mem0 και Letta είναι οι δημοσιευμένες τιμές τους στο LoCoMo (διαφορετικό dataset)· τα στοιχεία των MemPalace, supermemory, TencentDB (PersonaMem), και oracleagentmemory είναι αυτοαναφερόμενοι ισχυρισμοί προμηθευτών που δεν έχουμε αναπαράγει ανεξάρτητα (η εκτέλεση του oracleagentmemory χρησιμοποίησε GPT-5.5 έναντι μιας Oracle AI Database). Παρουσιάζονται δίπλα-δίπλα μόνο για κατά προσέγγιση σύγκριση, όχι ως απευθείας αντιπαράθεση σε ταυτόσημα δεδομένα. Οι μετρήσεις αστεριών είναι κατά προσέγγιση και μεταβάλλονται με τον χρόνο.
-
-**Νεότεροι παίκτες** που αξίζει να γνωρίζετε, συγκρίνονται αναλυτικά στο [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Σύστημα | ⭐ | Προσέγγιση |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Χρονικός γράφος γνώσης· τα ισχυρότερα δημοσιευμένα αποτελέσματα σε χρονικά ερωτήματα (LongMemEval 63.8%), αλλά ο γράφος χτίζεται ασύγχρονα, οπότε τα νέα δεδομένα μπορεί να καθυστερούν |
-| Cognee | 30K | Εισαγωγή εγγράφων σε γράφο γνώσης, μόνο σε Python, σχεδιασμένο για δομημένη εξαγωγή οντοτήτων παρά για καταγραφή συνεδριών |
+Ενημερωμένη σύγκριση προϊόντων και επιλογών εγκατάστασης με πηγές:
-Το AgentMemory συνδυάζει καταγραφή συνεδριών, αναζητήσιμο ιστορικό έργου και τοπικό viewer, με λειτουργία χωρίς κλειδί από την πρώτη εκκίνηση.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
Ξεκινήστε τον διακομιστή μνήμης: `npx -y @agentmemory/agentmemory@latest`
-#### Εγγενή skills μέσω `npx skills add` (50+ agents)
+#### Εγγενή skills μέσω `npx skills add`
Το agentmemory διανέμει 17 skills στη μορφή `
-
| - -### Precisión de recuperación - -**coding-agent-life-v1** (corpus propio, reproducible en sandbox) - -| Adaptador | P@5 | R@5 | Tasa de aciertos top-5 | Latencia p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| baseline grep | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Tasa de aciertos top-5 del 100% en el **techo matemático de P@5** para este corpus (0.240, ver scorecard). Hybrid recupera todas las sesiones gold; grep falla 1 de 2 gold en la consulta temporal multi-sesión. La mejora es **recall + temporal**, no precisión agregada. Este benchmark es pequeño y escaso en gold; el LongMemEval-S más grande de abajo diferencia mejor. Desglose completo por tipo + nota de corrección: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 preguntas) +Resultados actuales de recuperación, definiciones de métricas y pasos para reproducirlos: -| Sistema | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Fallback solo BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Ahorro de tokens - -| Enfoque | Tokens/año | Coste/año | -|---|---|---| -| Pegar el contexto completo | 19.5M+ | Imposible (excede la ventana) | -| Resumido por LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embeddings locales | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Integrada (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tipo | -Motor de memoria + servidor MCP | -API de capa de memoria | -Runtime de agente completo | -IA personal | -API de memoria + app | -Hub de memoria de equipo (proxy LLM) | -Memoria vectorial (OSS) | -Motor de memoria (Oracle DB) | -Sistema de memoria | -Fichero estático | -
| R@5 de recuperación | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Autoinformado | -PersonaMem 76% (autoinformado) | -~96.6% (autoinformado) | -94.4% (autoinformado) | -N/A | -N/A (grep) | -
| Captura automática | -12 hooks (esfuerzo manual cero) | -Llamadas manuales a add() |
-Autoedición por el agente | -Manual | -Extracción del lado de la API | -Intercepción por proxy (cambio de base-URL) | -Manual | -Extracción por API | -Manual | -Edición manual | -
| Búsqueda | -BM25 + Vector + Graph (fusión RRF) | -Vector + Graph | -Vector (archival) | -Semántica | -Vector + RAG | -4 tipos de asset (Chat / Skill / Wiki / CodeGraph) | -Solo vector | -Vector + semántica | -Ponderada por decaimiento | -Carga todo en el contexto | -
| Multiagente | -MCP + REST + leases + signals | -API (sin coordinación) | -Solo dentro del runtime de Letta | -No | -No | -Roles de equipo + assets compartidos | -No | -Solo con scope | -Compartido multiagente | -Ficheros por agente | -
| Lock-in de framework | -Ninguno (cualquier cliente MCP) | -Ninguno | -Alto (debes usar Letta) | -Standalone | -Ninguno | -Un proxy antepone cada llamada al modelo | -Ninguno | -Oracle Database | -Ninguno | -Formato por agente | -
| Dependencias externas | -No necesita un servicio de base de datos separado | -Qdrant / pgvector | -Postgres + BD vectorial | -Varias | -Nube gestionada | -Stack Docker (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Ninguna | -Ninguna | -
| Ciclo de vida de la memoria | -Consolidación de 4 niveles + decaimiento + auto-olvido | -Extracción pasiva | -Gestionado por el agente | -Manual | -Auto-olvido | -Revisión manual; auto-enrutado en progreso | -Ninguno | -No especificado | -Decaimiento + consolidación | -Poda manual | -
| Eficiencia de tokens | -~1,900 tokens/sesión ($10/año) | -Varía según la integración | -Memoria core en el contexto | -Varía | -Precios de nube | -No especificado | -Sin presupuesto de tokens | -Respaldado por LLM (varía) | -Varía | -22K+ tokens con 240 obs | -
| Visor en tiempo real | -Sí (puerto 3113) | -Dashboard en la nube | -Dashboard en la nube | -UI web | -Dashboard en la nube | -UI web del hub | -No | -No | -No | -No | -
| Self-hosted | -Sí (por defecto) | -Opcional | -Opcional | -Sí | -No (solo nube) | -Sí (Docker) | -Sí | -Sí (Oracle DB) | -Sí | -Sí | -
benchmark/COMPARISON.md). Las cifras de mem0 y Letta son sus números publicados de LoCoMo (un dataset distinto); las cifras de MemPalace, supermemory, TencentDB (PersonaMem) y oracleagentmemory son afirmaciones autoinformadas por el proveedor que no hemos reproducido de forma independiente (la ejecución de oracleagentmemory usó GPT-5.5 contra una Oracle AI Database). Se muestran una junto a otra solo a modo orientativo, no como un cara a cara sobre datos idénticos. Los conteos de estrellas son aproximados y varían con el tiempo.
-
-**Nuevos entrantes** que vale la pena conocer, comparados en profundidad en [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistema | ⭐ | Enfoque |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Grafo de conocimiento temporal; los resultados publicados más fuertes en consultas temporales (LongMemEval 63.8%), pero el grafo se construye de forma asíncrona, así que los hechos recientes pueden tardar en aparecer |
-| Cognee | 30K | Ingesta de documento a grafo de conocimiento, solo Python, construido para extracción estructurada de entidades en lugar de captura de sesiones |
+Comparación actualizada de productos y opciones de despliegue, con fuentes:
-AgentMemory combina captura desde agentes de programación, historial de proyecto consultable y un visor local. Puedes usarlo sin clave desde el primer inicio.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Guía completa: [`integrations/hermes/`](../integrations/hermes/)
Arranca el servidor de memoria: `npx -y @agentmemory/agentmemory@latest`
-#### Skills nativas vía `npx skills add` (50+ agentes)
+#### Skills nativas vía `npx skills add`
agentmemory incluye 17 skills en el formato `
-
| - -### Hakutarkkuus - -**coding-agent-life-v1** (talon sisäinen korpus, hiekkalaatikossa toistettavissa) - -| Sovitin | P@5 | R@5 | Top-5-osumasuhde | p50-latenssi | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-perustaso | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100 % top-5-osumasuhde **P@5-matemaattisessa kattossa** tälle korpukselle (0.240, katso scorecard). Hybrid hakee jokaisen kultaisen istunnon. grep jättää huomiotta 1/2 kultaisesta moni-istuntoisessa temporaalikyselyssä. Hyöty on **muistaminen + temporaalisuus**, ei kokonaistarkkuus. Tämä benchmark on pieni ja kultadataltaan harva; isompi LongMemEval-S alla erottelee paremmin. Täysi tyyppikohtainen erittely + korjaushuomautus: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 kysymystä) +Ajantasaiset hakutulokset, mittarien määritelmät ja toisto-ohjeet: -| Järjestelmä | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| vain BM25 -varmistusreitti | 86.2% | 94.6% | 71.5% | - - | -- -### Tokenisäästöt - -| Lähestymistapa | Tokenia/vuosi | Kustannus/vuosi | -|---|---|---| -| Liitä koko konteksti | 19.5M+ | Mahdotonta (ylittää ikkunan) | -| LLM-tiivistetty | ~650K | ~500 $ | -| **agentmemory** | **~170K** | **~10 $** | -| agentmemory + paikalliset upotukset | ~170K | **0 $** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Sisäänrakennettu (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tyyppi | -Muistimoottori + MCP-palvelin | -Muistikerros-API | -Täysi agentti-ajonaikainen ympäristö | -Henkilökohtainen AI | -Muisti-API + sovellus | -Tiimimuistikeskus (LLM-proxy) | -Vektorimuisti (avoin lähdekoodi) | -Muistimoottori (Oracle-tietokanta) | -Muistijärjestelmä | -Staattinen tiedosto | -
| Hakutarkkuus R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -Ei saatavilla | -Itse ilmoitettu | -PersonaMem 76% (itse ilmoitettu) | -~96.6% (itse ilmoitettu) | -94.4% (itse ilmoitettu) | -Ei saatavilla | -Ei saatavilla (grep) | -
| Automaattinen tallennus | -12 hookia (ei manuaalista työtä) | -Manuaaliset add()-kutsut |
-Agentti muokkaa itseään | -Manuaalinen | -API-puolen poiminta | -Proxy-sieppaus (base-URL-vaihto) | -Manuaalinen | -API-poiminta | -Manuaalinen | -Manuaalinen muokkaus | -
| Haku | -BM25 + vektori + graafi (RRF-fuusio) | -Vektori + graafi | -Vektori (arkisto) | -Semanttinen | -Vektori + RAG | -4 omaisuustyyppiä (Chat / Skill / Wiki / CodeGraph) | -Vain vektori | -Vektori + semanttinen | -Vanhenemispainotettu | -Lataa kaiken kontekstiin | -
| Moniagenttisuus | -MCP + REST + leaset + signaalit | -API (ei koordinaatiota) | -Vain Lettan ajonaikaisessa ympäristössä | -Ei | -Ei | -Tiimiroolit + jaetut omaisuudet | -Ei | -Vain rajattu | -Jaettu moniagenttisuus | -Agenttikohtaiset tiedostot | -
| Kehyksestä riippuvuus | -Ei lainkaan (mikä tahansa MCP-asiakas) | -Ei lainkaan | -Korkea (pakko käyttää Lettaa) | -Itsenäinen | -Ei lainkaan | -Proxy edessä joka mallikutsussa | -Ei lainkaan | -Oracle Database | -Ei lainkaan | -Agenttikohtainen formaatti | -
| Ulkoiset riippuvuudet | -Erillistä tietokantapalvelua ei tarvita | -Qdrant / pgvector | -Postgres + vektoritietokanta | -Useita | -Hallittu pilvi | -Docker-pino (Core + Hub + Proxy) | -Vektorivarasto | -Oracle AI Database | -Ei mitään | -Ei mitään | -
| Muistin elinkaari | -4-tasoinen konsolidointi + vanheneminen + automaattinen unohtaminen | -Passiivinen poiminta | -Agentin hallinnoima | -Manuaalinen | -Automaattinen unohtaminen | -Manuaalinen katselmointi; automaattireititys kehitteillä | -Ei mitään | -Ei ilmoitettu | -Vanheneminen + konsolidointi | -Manuaalinen karsinta | -
| Tokentehokkuus | -~1 900 tokenia/istunto (10 $/vuosi) | -Vaihtelee integraation mukaan | -Ydinmuisti kontekstissa | -Vaihtelee | -Pilvihinnoittelu | -Ei ilmoitettu | -Ei tokenbudjettia | -LLM-pohjainen (vaihtelee) | -Vaihtelee | -22K+ tokenia 240 havainnolla | -
| Reaaliaikainen katseluohjelma | -Kyllä (portti 3113) | -Pilvikojelauta | -Pilvikojelauta | -Web-käyttöliittymä | -Pilvikojelauta | -Hub-web-käyttöliittymä | -Ei | -Ei | -Ei | -Ei | -
| Itseisännöity | -Kyllä (oletus) | -Valinnainen | -Valinnainen | -Kyllä | -Ei (vain pilvi) | -Kyllä (Docker) | -Kyllä | -Kyllä (Oracle-tietokanta) | -Kyllä | -Kyllä | -
benchmark/COMPARISON.md). mem0- ja Letta-luvut ovat niiden julkaisemia LoCoMo-lukuja (eri aineisto); MemPalace-, supermemory-, TencentDB (PersonaMem) - ja oracleagentmemory-luvut ovat valmistajien itse ilmoittamia väitteitä, joita emme ole itsenäisesti toistaneet (oracleagentmemoryn ajo käytti GPT-5.5:tä Oracle AI Databasea vastaan). Esitetty rinnakkain vain suuntaa antavana, ei pää-pää-vertailuna samalla datalla. Tähtimäärät ovat likimääräisiä ja muuttuvat ajan myötä.
-
-**Uudemmat tulokkaat**, hyvä tietää, syvemmin vertailtuna kohdassa [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Järjestelmä | ⭐ | Näkökulma |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporaalinen tietograafi; vahvimmat julkaistut temporaalikyselytulokset (LongMemEval 63.8%), mutta graafi rakentuu asynkronisesti, jolloin tuoreet faktat voivat viivästyä |
-| Cognee | 30K | Dokumentista tietograafiksi -tuonti, vain Python, rakennettu rakenteelliseen entiteettipoimintaan istuntotallennuksen sijaan |
+Päivitetty tuotteiden ja käyttöönottovaihtoehtojen vertailu lähteineen:
-AgentMemory yhdistää istuntojen tallennuksen, haettavan projektihistorian ja paikallisen viewerin; avaimeton käyttö toimii ensimmäisestä käynnistyksestä.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Täysi opas: [`integrations/hermes/`](../integrations/hermes/)
Käynnistä muistipalvelin: `npx -y @agentmemory/agentmemory@latest`
-#### Natiivit taidot komennolla `npx skills add` (50+ agenttia)
+#### Natiivit taidot komennolla `npx skills add`
agentmemory toimittaa 17 taitoa Claude-Code-tyylisessä `
-
| - -### Précision de récupération - -**coding-agent-life-v1** (corpus interne, reproductible en sandbox) - -| Adaptateur | P@5 | R@5 | Taux de hit top-5 | Latence p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| Référence grep | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% de taux de hit top-5 au **plafond mathématique du P@5** pour ce corpus (0.240, voir le scorecard). L'hybride récupère chaque session gold ; grep manque 1 des 2 gold sur la requête temporelle multi-session. Le gain porte sur **recall + temporel**, pas sur la précision agrégée. Ce benchmark est petit et pauvre en gold ; le LongMemEval-S plus grand ci-dessous différencie mieux. Ventilation complète par type + note de correction : [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 questions) +Résultats actuels de recherche, définitions des métriques et étapes de reproduction : -| Système | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Repli BM25 seul | 86.2% | 94.6% | 71.5% | - - | -- -### Économies de tokens - -| Approche | Tokens/an | Coût/an | -|---|---|---| -| Coller le contexte complet | 19,5M+ | Impossible (dépasse la fenêtre) | -| Résumé par LLM | ~650K | ~500 $ | -| **agentmemory** | **~170K** | **~10 $** | -| agentmemory + embeddings locaux | ~170K | **0 $** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Intégré (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Type | -Moteur de mémoire + serveur MCP | -API de couche mémoire | -Runtime d'agent complet | -IA personnelle | -API mémoire + app | -Hub de mémoire d'équipe (proxy LLM) | -Mémoire vectorielle (OSS) | -Moteur de mémoire (Oracle DB) | -Système de mémoire | -Fichier statique | -
| R@5 de récupération | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Auto-déclaré | -PersonaMem 76% (auto-déclaré) | -~96.6% (auto-déclaré) | -94.4% (auto-déclaré) | -N/A | -N/A (grep) | -
| Capture automatique | -12 hooks (zéro effort manuel) | -Appels add() manuels |
-L'agent s'auto-édite | -Manuelle | -Extraction côté API | -Interception par proxy (bascule de base-URL) | -Manuelle | -Extraction API | -Manuelle | -Édition manuelle | -
| Recherche | -BM25 + Vectoriel + Graphe (fusion RRF) | -Vectoriel + Graphe | -Vectoriel (archival) | -Sémantique | -Vectoriel + RAG | -4 types d'assets (Chat / Skill / Wiki / CodeGraph) | -Vectoriel uniquement | -Vectoriel + sémantique | -Pondérée par décroissance | -Charge tout en contexte | -
| Multi-agents | -MCP + REST + leases + signaux | -API (sans coordination) | -Uniquement dans le runtime Letta | -Non | -Non | -Rôles d'équipe + assets partagés | -Non | -Scopé seulement | -Partagé multi-agents | -Fichiers par agent | -
| Verrouillage framework | -Aucun (tout client MCP) | -Aucun | -Élevé (Letta obligatoire) | -Autonome | -Aucun | -Le proxy s'interpose devant chaque appel de modèle | -Aucun | -Oracle Database | -Aucun | -Format par agent | -
| Dépendances externes | -Aucun service de base de données séparé requis | -Qdrant / pgvector | -Postgres + base vectorielle | -Multiples | -Cloud managé | -Stack Docker (Core + Hub + Proxy) | -Store vectoriel | -Oracle AI Database | -Aucune | -Aucune | -
| Cycle de vie mémoire | -Consolidation à 4 niveaux + décroissance + oubli automatique | -Extraction passive | -Géré par l'agent | -Manuel | -Oubli automatique | -Revue manuelle ; auto-routage en cours | -Aucun | -Non précisé | -Décroissance + consolidation | -Nettoyage manuel | -
| Efficacité des tokens | -~1 900 tokens/session (10 $/an) | -Varie selon l'intégration | -Mémoire centrale dans le contexte | -Varie | -Tarification cloud | -Non précisé | -Pas de budget de tokens | -Adossé à un LLM (variable) | -Varie | -22K+ tokens à 240 observations | -
| Visualiseur temps réel | -Oui (port 3113) | -Dashboard cloud | -Dashboard cloud | -UI web | -Dashboard cloud | -UI web du Hub | -Non | -Non | -Non | -Non | -
| Auto-hébergé | -Oui (par défaut) | -Optionnel | -Optionnel | -Oui | -Non (cloud uniquement) | -Oui (Docker) | -Oui | -Oui (Oracle DB) | -Oui | -Oui | -
benchmark/COMPARISON.md). Les chiffres de mem0 et Letta sont leurs résultats LoCoMo publiés (un jeu de données différent) ; les chiffres de MemPalace, supermemory, TencentDB (PersonaMem) et oracleagentmemory sont des annonces auto-déclarées par ces éditeurs, que nous n'avons pas reproduites indépendamment (le run d'oracleagentmemory utilisait GPT-5.5 contre une Oracle AI Database). Présentés côte à côte à titre indicatif seulement, pas comme un comparatif direct sur des données identiques. Les comptages d'étoiles sont approximatifs et évoluent avec le temps.
-
-**Nouveaux arrivants** à connaître, comparés en détail dans [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) :
-
-| Système | ⭐ | Angle |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Graphe de connaissances temporel ; meilleurs résultats publiés sur les requêtes temporelles (LongMemEval 63.8%), mais le graphe se construit de façon asynchrone donc les faits récents peuvent accuser un retard |
-| Cognee | 30K | Ingestion document-vers-graphe-de-connaissances, Python uniquement, conçu pour l'extraction d'entités structurées plutôt que pour la capture de sessions |
+Comparaison actualisée des produits et des options de déploiement, avec sources :
-AgentMemory associe capture par les agents de programmation, historique de projet interrogeable et visualiseur local. Le fonctionnement sans clé est disponible dès le premier lancement.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Guide complet : [`integrations/hermes/`](../integrations/hermes/)
Démarrez le serveur de mémoire : `npx -y @agentmemory/agentmemory@latest`
-#### Skills natifs via `npx skills add` (50+ agents)
+#### Skills natifs via `npx skills add`
agentmemory livre 17 skills au format `
-
| - -### דיוק שליפה - -**coding-agent-life-v1** (קורפוס פנימי, שניתן לשכפול ב-sandbox) - -| מתאם | P@5 | R@5 | שיעור פגיעה ב-Top-5 | latency p50 | -|---|---|---|---|---| -| **agentmemory היברידי** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep (קו בסיס) | 0.227 | 0.967 | 15 / 15 | 0 ms | - -שיעור פגיעה של 100% ב-top-5 בתקרה המתמטית של **P@5** עבור הקורפוס הזה (0.240, ראו scorecard). המצב ההיברידי שולף כל session זהב (gold); ל-grep חסר 1 מתוך 2 פריטי gold בשאילתה הטמפורלית המשתרעת על כמה sessions. השיפור הוא ב-**recall + טמפורליות**, לא בדיוק מצרפי. ה-benchmark הזה קטן ומעוט gold; LongMemEval-S הגדול יותר שלהלן מבדיל טוב יותר. פירוט מלא לפי טיפוס + הערת תיקון: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 שאלות) +תוצאות האחזור העדכניות, הגדרות המדדים ושלבי השחזור: -| מערכת | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| חלופת BM25 בלבד | 86.2% | 94.6% | 71.5% | - - | -- -### חיסכון בטוקנים - -| גישה | טוקנים/שנה | עלות/שנה | -|---|---|---| -| הדבקת הקשר מלא | 19.5M+ | בלתי אפשרי (חורג מהחלון) | -| סיכום על ידי LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embeddings מקומיים | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Built-in (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| סוג | -מנוע זיכרון + שרת MCP | -API של שכבת זיכרון | -runtime מלא לסוכן | -AI אישי | -API זיכרון + אפליקציה | -hub זיכרון לצוות (proxy ל-LLM) | -זיכרון וקטורי (קוד פתוח) | -מנוע זיכרון (Oracle DB) | -מערכת זיכרון | -קובץ סטטי | -
| שליפה R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -דיווח עצמי | -PersonaMem 76% (דיווח עצמי) | -~96.6% (דיווח עצמי) | -94.4% (דיווח עצמי) | -N/A | -N/A (grep) | -
| לכידה אוטומטית | -12 hooks (ללא מאמץ ידני) | -קריאות add() ידניות |
-עריכות עצמיות של הסוכן | -ידני | -חילוץ בצד ה-API | -יירוט proxy (החלפת base-URL) | -ידני | -חילוץ API | -ידני | -עריכה ידנית | -
| חיפוש | -BM25 + וקטור + גרף (fusion מסוג RRF) | -וקטור + גרף | -וקטור (ארכיוני) | -סמנטי | -וקטור + RAG | -4 סוגי נכסים (Chat / Skill / Wiki / CodeGraph) | -וקטור בלבד | -וקטור + סמנטי | -משוקלל decay | -טוען הכול להקשר | -
| ריבוי-סוכנים | -MCP + REST + leases + signals | -API (בלי תיאום) | -רק בתוך runtime של Letta | -לא | -לא | -תפקידי צוות + נכסים משותפים | -לא | -מוגבל לתחום בלבד | -משותף בין סוכנים מרובים | -קבצים לפי סוכן | -
| נעילה ל-framework | -אין (כל לקוח MCP) | -אין | -גבוהה (חייבים להשתמש ב-Letta) | -עצמאי (standalone) | -אין | -Proxy חוצץ בפני כל קריאת מודל | -אין | -Oracle Database | -אין | -פורמט לפי סוכן | -
| תלויות חיצוניות | -אין צורך בשירות מסד נתונים נפרד | -Qdrant / pgvector | -Postgres + מסד נתונים וקטורי | -מרובות | -cloud מנוהל | -ערימת Docker (Core + Hub + Proxy) | -מאגר וקטורי | -Oracle AI Database | -אין | -אין | -
| מחזור חיים של הזיכרון | -קונסולידציה ב-4 שכבות + decay + שכחה אוטומטית | -חילוץ פסיבי | -מנוהל על ידי הסוכן | -ידני | -שכחה אוטומטית | -בדיקה ידנית; ניתוב אוטומטי בפיתוח | -אין | -לא מצוין | -decay + קונסולידציה | -גיזום ידני | -
| יעילות טוקנים | -~1,900 טוקנים/session ($10/שנה) | -משתנה לפי אינטגרציה | -זיכרון core בתוך ההקשר | -משתנה | -תמחור cloud | -לא מצוין | -אין תקציב טוקנים | -מגובה LLM (משתנה) | -משתנה | -22K+ טוקנים ב-240 תצפיות | -
| מציג בזמן אמת | -כן (פורט 3113) | -dashboard ב-cloud | -dashboard ב-cloud | -UI מבוסס web | -dashboard ב-cloud | -UI web של ה-hub | -לא | -לא | -לא | -לא | -
| אירוח עצמי | -כן (ברירת מחדל) | -אופציונלי | -אופציונלי | -כן | -לא (cloud בלבד) | -כן (Docker) | -כן | -כן (Oracle DB) | -כן | -כן | -
benchmark/COMPARISON.md). המספרים של mem0 ו-Letta הם המספרים המתפרסמים שלהם מ-LoCoMo (dataset שונה); המספרים של MemPalace, supermemory, TencentDB (PersonaMem), ו-oracleagentmemory הם טענות שדווחו על ידי היצרן ולא שכפלנו אותן באופן עצמאי (ההרצה של oracleagentmemory השתמשה ב-GPT-5.5 מול Oracle AI Database). מוצגים זה לצד זה להערכה כללית בלבד, לא כהשוואת ראש-בראש על אותם נתונים. ספירות הכוכבים הן משוערות ומשתנות עם הזמן.
-
-**שחקנים חדשים יותר** שכדאי להכיר, מושווים בהרחבה ב-[`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| מערכת | ⭐ | זווית |
-|--------|---|-------|
-| Zep / Graphiti | 30K | גרף ידע טמפורלי; תוצאות השאילתה הטמפורלית הפרסומיות החזקות ביותר (LongMemEval 63.8%), אבל הגרף נבנה באופן אסינכרוני כך שעובדות חדשות יכולות להתעכב |
-| Cognee | 30K | בליעת מסמכים לגרף ידע (document-to-knowledge-graph), Python בלבד, נבנה לחילוץ ישויות מבני ולא ללכידת sessions |
+השוואה מעודכנת של מוצרים ואפשרויות פריסה, עם מקורות:
-AgentMemory משלב תיעוד סשנים, היסטוריית פרויקט שניתן לחפש בה וממשק צפייה מקומי, עם עבודה ללא מפתח כבר מההפעלה הראשונה.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -788,7 +580,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
הפעילו את שרת הזיכרון: `npx -y @agentmemory/agentmemory@latest`
-#### Skills מובנים דרך `npx skills add` (50+ סוכנים)
+#### Skills מובנים דרך `npx skills add`
agentmemory שולח 17 skills בפורמט `
-
| - -### Retrieval सटीकता - -**coding-agent-life-v1** (in-house corpus, sandbox-reproducible) - -| Adapter | P@5 | R@5 | Top-5 hit rate | p50 latency | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -इस corpus के लिए **P@5 math ceiling** (0.240, scorecard देखें) पर 100% top-5 hit rate। Hybrid हर gold session retrieve करता है; grep multi-session temporal query पर 2 में से 1 gold miss करता है। Lift **recall + temporal** है, aggregate precision नहीं। यह benchmark छोटा और gold-sparse है; नीचे का बड़ा LongMemEval-S बेहतर differentiate करता है। पूरी per-type breakdown + correction नोट: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)। - -**LongMemEval-S** (ICLR 2025, 500 questions) +वर्तमान पुनर्प्राप्ति परिणाम, मेट्रिक की परिभाषाएँ और परीक्षण दोहराने के चरण: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Token बचत - -| दृष्टिकोण | Tokens/yr | Cost/yr | -|---|---|---| -| पूरा context paste करें | 19.5M+ | असंभव (window से अधिक) | -| LLM-summarized | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + local embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -बिल्ट-इन (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| प्रकार | -Memory engine + MCP सर्वर | -Memory layer API | -पूर्ण agent runtime | -Personal AI | -Memory API + app | -Team memory hub (LLM proxy) | -Vector memory (OSS) | -Memory engine (Oracle DB) | -Memory system | -Static फाइल | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Self-reported | -PersonaMem 76% (self-reported) | -~96.6% (self-reported) | -94.4% (self-reported) | -N/A | -N/A (grep) | -
| स्वचालित capture | -12 hooks (शून्य मैनुअल प्रयास) | -मैनुअल add() कॉल |
-एजेंट self-edits | -मैनुअल | -API-side extraction | -Proxy interception (base-URL swap) | -मैनुअल | -API extraction | -मैनुअल | -मैनुअल editing | -
| खोज | -BM25 + Vector + Graph (RRF fusion) | -Vector + Graph | -Vector (archival) | -Semantic | -Vector + RAG | -4 asset types (Chat / Skill / Wiki / CodeGraph) | -केवल-vector | -Vector + semantic | -Decay-weighted | -सब कुछ context में load करता है | -
| Multi-agent | -MCP + REST + leases + signals | -API (कोई coordination नहीं) | -केवल Letta runtime में | -नहीं | -नहीं | -Team roles + shared assets | -नहीं | -केवल scoped | -Multi-agent shared | -प्रति-एजेंट फाइलें | -
| Framework lock-in | -कोई नहीं (कोई भी MCP क्लाइंट) | -कोई नहीं | -उच्च (Letta का उपयोग आवश्यक) | -Standalone | -कोई नहीं | -Proxy हर model call के सामने रहता है | -कोई नहीं | -Oracle Database | -कोई नहीं | -प्रति-एजेंट format | -
| बाहरी निर्भरताएँ | -अलग डेटाबेस सेवा की जरूरत नहीं | -Qdrant / pgvector | -Postgres + vector DB | -कई | -Managed cloud | -Docker stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -कोई नहीं | -कोई नहीं | -
| Memory lifecycle | -4-tier consolidation + decay + auto-forget | -Passive extraction | -Agent-managed | -मैनुअल | -Auto-forget | -मैनुअल review; auto-routing प्रगति पर | -कोई नहीं | -बताया नहीं गया | -Decay + consolidation | -मैनुअल pruning | -
| Token दक्षता | -~1,900 tokens/session ($10/yr) | -integration पर निर्भर | -Core memory context में | -भिन्न | -Cloud pricing | -बताया नहीं गया | -कोई token budget नहीं | -LLM-backed (भिन्न) | -भिन्न | -240 observations पर 22K+ tokens | -
| Real-time व्यूअर | -हाँ (port 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -नहीं | -नहीं | -नहीं | -नहीं | -
| Self-hosted | -हाँ (default) | -Optional | -Optional | -हाँ | -नहीं (केवल-cloud) | -हाँ (Docker) | -हाँ | -हाँ (Oracle DB) | -हाँ | -हाँ | -
benchmark/COMPARISON.md से reproducible)। mem0 और Letta के आँकड़े उनके published LoCoMo numbers हैं (एक अलग dataset); MemPalace, supermemory, TencentDB (PersonaMem), और oracleagentmemory के आँकड़े vendor self-reported दावे हैं जिन्हें हमने स्वतंत्र रूप से reproduce नहीं किया है (oracleagentmemory की run ने Oracle AI Database के विरुद्ध GPT-5.5 का उपयोग किया)। केवल ballpark के लिए साथ-साथ दिखाए गए हैं, समान data पर head-to-head तुलना नहीं। Star counts अनुमानित हैं और समय के साथ बदलते रहते हैं।
-
-**नए प्रवेशक** जिन्हें जानना उपयोगी है, [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) में गहराई से compare किए गए:
-
-| System | ⭐ | Angle |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal knowledge graph; सबसे मज़बूत published temporal-query results (LongMemEval 63.8%), लेकिन graph asynchronously build होता है इसलिए ताज़ा facts पिछड़ सकते हैं |
-| Cognee | 30K | Document-to-knowledge-graph ingestion, केवल-Python, session capture के बजाय structured entity extraction के लिए बना |
+स्रोतों सहित उत्पादों और परिनियोजन विकल्पों की अद्यतन तुलना:
-AgentMemory सत्र capture, खोजने योग्य प्रोजेक्ट इतिहास और लोकल व्यूअर साथ देता है; पहली बार से ही बिना कुंजी के काम कर सकते हैं।
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
memory server शुरू करें: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add` के माध्यम से Native skills (50+ agents)
+#### `npx skills add` के माध्यम से Native skills
agentmemory Claude-Code-style `
-
| - -### Visszakeresési pontosság - -**coding-agent-life-v1** (házon belüli korpusz, sandboxban reprodukálható) - -| Adapter | P@5 | R@5 | Top-5 találati arány | p50 késleltetés | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep alapvonal | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100%-os top-5 találati arány a **P@5 matematikai felső határán** ennél a korpusznál (0.240, lásd a scorecardot). A hibrid minden gold sessiont visszakeres; a grep 2-ből 1 gold eredményt elveszít a több sessiont átfogó, időbeli lekérdezésnél. A nyereség **felidézésben és időbeliségben** mutatkozik, nem az összesített pontosságban. Ez a benchmark kicsi és gold-szegény; a lejjebb található, nagyobb LongMemEval-S jobban differenciál. Teljes, típus szerinti bontás + korrekciós megjegyzés: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 kérdés) +Aktuális visszakeresési eredmények, mérőszámok és reprodukálási lépések: -| Rendszer | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Csak BM25 fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Token-megtakarítás - -| Megközelítés | Token/év | Költség/év | -|---|---|---| -| Teljes kontextus beillesztése | 19.5M+ | Lehetetlen (meghaladja az ablakot) | -| LLM által összefoglalva | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokális embeddingek | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Beépített (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Típus | -Memóriamotor + MCP szerver | -Memóriaréteg API | -Teljes ágens-futtatókörnyezet | -Személyes AI | -Memória API + app | -Csapatmemória-hub (LLM proxy) | -Vektormemória (OSS) | -Memóriamotor (Oracle DB) | -Memóriarendszer | -Statikus fájl | -
| Visszakeresési R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Önbevallás alapján | -PersonaMem 76% (önbevallás alapján) | -~96.6% (önbevallás alapján) | -94.4% (önbevallás alapján) | -N/A | -N/A (grep) | -
| Automatikus rögzítés | -12 hook (nulla manuális munka) | -Manuális add() hívások |
-Az ágens saját szerkesztései | -Manuális | -API-oldali kinyerés | -Proxy-elfogás (base-URL csere) | -Manuális | -API kinyerés | -Manuális | -Manuális szerkesztés | -
| Keresés | -BM25 + Vektor + Gráf (RRF fúzió) | -Vektor + Gráf | -Vektor (archivális) | -Szemantikus | -Vektor + RAG | -4 eszköztípus (Chat / Skill / Wiki / CodeGraph) | -Csak vektor | -Vektor + szemantikus | -Lecsengés-súlyozott | -Mindent betölt a kontextusba | -
| Több ágens | -MCP + REST + lease-ek + szignálok | -API (nincs koordináció) | -Csak a Letta futtatókörnyezeten belül | -Nem | -Nem | -Csapatszerepek + megosztott eszközök | -Nem | -Csak hatókörön belül | -Több ágens közt megosztva | -Ágensenkénti fájlok | -
| Keretrendszer-függés | -Nincs (bármely MCP kliens) | -Nincs | -Magas (a Lettát kell használni) | -Önálló | -Nincs | -A proxy minden modellhívás elé kerül | -Nincs | -Oracle Database | -Nincs | -Ágensenkénti formátum | -
| Külső függőségek | -Nem szükséges külön adatbázis-szolgáltatás | -Qdrant / pgvector | -Postgres + vektor DB | -Több | -Felügyelt felhő | -Docker-stack (Core + Hub + Proxy) | -Vektortár | -Oracle AI Database | -Nincs | -Nincs | -
| Memória életciklus | -4 szintű konszolidáció + lecsengés + automatikus elfelejtés | -Passzív kinyerés | -Az ágens kezeli | -Manuális | -Automatikus elfelejtés | -Manuális átnézés; az automatikus útválasztás folyamatban | -Nincs | -Nincs megadva | -Lecsengés + konszolidáció | -Manuális ritkítás | -
| Token-hatékonyság | -~1,900 token/session ($10/év) | -Az integrációtól függ | -A core memória a kontextusban van | -Változó | -Felhő alapú díjszabás | -Nincs megadva | -Nincs token-budget | -LLM-alapú (változó) | -Változó | -22K+ token 240 megfigyelésnél | -
| Valós idejű megjelenítő | -Igen (3113-as port) | -Felhő alapú dashboard | -Felhő alapú dashboard | -Webes felhasználói felület | -Felhő alapú dashboard | -Hub webes felhasználói felület | -Nincs | -Nincs | -Nincs | -Nincs | -
| Önállóan üzemeltethető | -Igen (alapértelmezett) | -Opcionális | -Opcionális | -Igen | -Nem (csak felhő) | -Igen (Docker) | -Igen | -Igen (Oracle DB) | -Igen | -Igen | -
benchmark/COMPARISON.md alapján). A mem0 és a Letta számai a saját publikált LoCoMo-adataik (egy másik adathalmaz); a MemPalace, a supermemory, a TencentDB (PersonaMem) és az oracleagentmemory számai a gyártók önbevallás alapú állításai, amelyeket nem reprodukáltunk függetlenül (az oracleagentmemory futása GPT-5.5-öt használt egy Oracle AI Database ellen). Csak tájékoztató jellegű egymás mellett közlésre szánva, nem azonos adatokon futó közvetlen összehasonlításra. A csillagszámok közelítők, és idővel változnak.
-
-**Újabb belépők**, amelyeket érdemes ismerni, részletesen összehasonlítva a [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) fájlban:
-
-| Rendszer | ⭐ | Megközelítés |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporális tudásgráf; a legerősebb publikált időbeli lekérdezési eredmények (LongMemEval 63.8%), de a gráf aszinkron módon épül, így a friss tények lemaradhatnak |
-| Cognee | 30K | Dokumentum-tudásgráf feldolgozás, csak Python, strukturált entitáskinyerésre épül, nem session-rögzítésre |
+A termékek és telepítési lehetőségek frissített összehasonlítása, forrásokkal:
-Az AgentMemory egyesíti a munkamenetek rögzítését, a kereshető projektelőzményeket és a helyi nézőfelületet, az első indítástól kulcs nélküli működéssel.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -784,7 +576,7 @@ Teljes útmutató: [`integrations/hermes/`](../integrations/hermes/)
Indítsd el a memóriaszervert: `npx -y @agentmemory/agentmemory@latest`
-#### Natív skillek az `npx skills add` révén (50+ ágens)
+#### Natív skillek az `npx skills add` révén
Az agentmemory 17 skillt szállít a Claude-Code-stílusú `
-
| - -### Akurasi Retrieval - -**coding-agent-life-v1** (korpus in-house, bisa direproduksi di sandbox) - -| Adapter | P@5 | R@5 | Top-5 hit rate | Latensi p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Top-5 hit rate 100% pada **batas matematis P@5** untuk korpus ini (0.240, lihat scorecard). Hybrid me-retrieve setiap sesi gold; grep melewatkan 1 dari 2 gold pada query temporal multi-sesi. Peningkatannya ada pada **recall + temporal**, bukan presisi agregat. Benchmark ini kecil dan gold-nya jarang; LongMemEval-S yang lebih besar di bawah memberi pembeda yang lebih baik. Rincian lengkap per tipe + catatan koreksi: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 pertanyaan) +Hasil penelusuran terkini, definisi metrik, dan langkah reproduksi: -| Sistem | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Fallback BM25-only | 86.2% | 94.6% | 71.5% | - - | -- -### Penghematan Token - -| Pendekatan | Token/thn | Biaya/thn | -|---|---|---| -| Tempel konteks penuh | 19.5M+ | Tidak mungkin (melebihi window) | -| Diringkas LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embedding lokal | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Bawaan (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tipe | -Memory engine + server MCP | -API memory layer | -Runtime agen lengkap | -AI pribadi | -API memori + app | -Hub memori tim (proxy LLM) | -Vector memory (OSS) | -Memory engine (Oracle DB) | -Sistem memori | -File statis | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Self-reported | -PersonaMem 76% (self-reported) | -~96.6% (self-reported) | -94.4% (self-reported) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hook (tanpa effort manual) | -Panggilan add() manual |
-Self-edit oleh agen | -Manual | -Ekstraksi di sisi API | -Intersepsi proxy (swap base-URL) | -Manual | -Ekstraksi API | -Manual | -Edit manual | -
| Search | -BM25 + Vector + Graph (fusi RRF) | -Vector + Graph | -Vector (archival) | -Semantik | -Vector + RAG | -4 tipe aset (Chat / Skill / Wiki / CodeGraph) | -Vector-only | -Vector + semantik | -Decay-weighted | -Memuat semuanya ke konteks | -
| Multi-agen | -MCP + REST + lease + signal | -API (tanpa koordinasi) | -Hanya dalam runtime Letta | -Tidak | -Tidak | -Role tim + aset bersama | -Tidak | -Hanya terbatas (scoped) | -Multi-agen bersama | -File per agen | -
| Framework lock-in | -Tidak ada (klien MCP apa pun) | -Tidak ada | -Tinggi (harus pakai Letta) | -Standalone | -Tidak ada | -Proxy mengarahkan setiap panggilan model | -Tidak ada | -Oracle Database | -Tidak ada | -Format per agen | -
| Dependensi eksternal | -Tidak memerlukan layanan database terpisah | -Qdrant / pgvector | -Postgres + vector DB | -Multipel | -Cloud terkelola | -Stack Docker (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Tidak ada | -Tidak ada | -
| Siklus hidup memori | -Konsolidasi 4-tier + decay + auto-forget | -Ekstraksi pasif | -Dikelola agen | -Manual | -Auto-forget | -Review manual; auto-routing sedang dikerjakan | -Tidak ada | -Tidak disebutkan | -Decay + konsolidasi | -Pruning manual | -
| Efisiensi token | -~1.900 token/sesi ($10/thn) | -Bervariasi menurut integrasi | -Core memory di konteks | -Bervariasi | -Harga cloud | -Tidak disebutkan | -Tanpa budget token | -Didukung LLM (bervariasi) | -Bervariasi | -22K+ token pada 240 observasi | -
| Viewer real-time | -Ya (port 3113) | -Dashboard cloud | -Dashboard cloud | -Web UI | -Dashboard cloud | -Web UI Hub | -Tidak | -Tidak | -Tidak | -Tidak | -
| Self-hosted | -Ya (default) | -Opsional | -Opsional | -Ya | -Tidak (cloud-only) | -Ya (Docker) | -Ya | -Ya (Oracle DB) | -Ya | -Ya | -
benchmark/COMPARISON.md). Angka mem0 dan Letta adalah angka LoCoMo yang mereka publikasikan sendiri (dataset yang berbeda); angka MemPalace, supermemory, TencentDB (PersonaMem), dan oracleagentmemory adalah klaim self-reported vendor yang belum kami reproduksi secara independen (run oracleagentmemory memakai GPT-5.5 terhadap Oracle AI Database). Ditampilkan berdampingan hanya sebagai perkiraan kasar, bukan head-to-head pada data yang identik. Jumlah star bersifat perkiraan dan bisa berubah seiring waktu.
-
-**Pemain baru** yang layak diketahui, dibahas lebih dalam di [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistem | ⭐ | Sudut pandang |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Knowledge graph temporal; hasil query temporal terpublikasi terkuat (LongMemEval 63.8%), tapi graph dibangun secara asinkron sehingga fakta baru bisa tertinggal |
-| Cognee | 30K | Ingestion dokumen-ke-knowledge-graph, Python-only, dibangun untuk ekstraksi entitas terstruktur bukan capture sesi |
+Perbandingan produk dan opsi penerapan terkini, beserta sumbernya:
-AgentMemory memadukan capture sesi, riwayat proyek yang bisa dicari, dan viewer lokal, dengan mode tanpa kunci sejak awal.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Panduan lengkap: [`integrations/hermes/`](../integrations/hermes/)
Jalankan server memori: `npx -y @agentmemory/agentmemory@latest`
-#### Native skill lewat `npx skills add` (50+ agen)
+#### Native skill lewat `npx skills add`
agentmemory menyediakan 17 skill dalam format `
-
| - -### Precisione del retrieval - -**coding-agent-life-v1** (corpus interno, riproducibile in sandbox) - -| Adapter | P@5 | R@5 | Tasso di successo top-5 | latenza p50 | -|---|---|---|---|---| -| **agentmemory ibrido** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep di base | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Tasso di successo top-5 del 100% al **limite matematico di P@5** per questo corpus (0.240, vedi scorecard). L'ibrido recupera ogni sessione gold; grep ne manca 1 su 2 nella query temporale multi-sessione. Il guadagno è su **recall + temporale**, non sulla precisione aggregata. Questo benchmark è piccolo e povero di dati gold; il più ampio LongMemEval-S sotto differenzia meglio. Analisi completa per tipo + nota di correzione: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 domande) +Risultati attuali del recupero, definizioni delle metriche e procedura di riproduzione: -| Sistema | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Fallback solo BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Risparmio di token - -| Approccio | Token/anno | Costo/anno | -|---|---|---| -| Incolla il contesto completo | 19.5M+ | Impossibile (eccede la finestra) | -| Riassunto da LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embedding locali | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Integrata (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tipo | -Motore di memoria + server MCP | -API livello memoria | -Runtime agente completo | -IA personale | -API memoria + app | -Hub memoria di team (proxy LLM) | -Memoria vettoriale (OSS) | -Motore di memoria (Oracle DB) | -Sistema di memoria | -File statico | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/D | -Auto-dichiarato | -PersonaMem 76% (auto-dichiarato) | -~96.6% (auto-dichiarato) | -94.4% (auto-dichiarato) | -N/D | -N/D (grep) | -
| Acquisizione automatica | -12 hook (zero sforzo manuale) | -Chiamate manuali add() |
-Auto-modifiche dell'agente | -Manuale | -Estrazione lato API | -Intercettazione proxy (sostituzione base-URL) | -Manuale | -Estrazione API | -Manuale | -Modifica manuale | -
| Ricerca | -BM25 + vettoriale + grafo (fusione RRF) | -Vettoriale + grafo | -Vettoriale (archivio) | -Semantica | -Vettoriale + RAG | -4 tipi di asset (Chat / Skill / Wiki / CodeGraph) | -Solo vettoriale | -Vettoriale + semantica | -Pesata per decadimento | -Carica tutto nel contesto | -
| Multi-agente | -MCP + REST + lease + segnali | -API (nessun coordinamento) | -Solo all'interno del runtime Letta | -No | -No | -Ruoli di team + asset condivisi | -No | -Solo con ambito limitato | -Condiviso multi-agente | -File per agente | -
| Vincolo al framework | -Nessuno (qualsiasi client MCP) | -Nessuno | -Alto (deve usare Letta) | -Autonomo | -Nessuno | -Il proxy intercetta ogni chiamata al modello | -Nessuno | -Oracle Database | -Nessuno | -Formato per agente | -
| Dipendenze esterne | -Nessun servizio database separato richiesto | -Qdrant / pgvector | -Postgres + DB vettoriale | -Multiple | -Cloud gestito | -Stack Docker (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Nessuna | -Nessuna | -
| Ciclo di vita della memoria | -Consolidamento a 4 livelli + decadimento + auto-oblio | -Estrazione passiva | -Gestito dall'agente | -Manuale | -Auto-oblio | -Revisione manuale; instradamento automatico in corso | -Nessuno | -Non dichiarato | -Decadimento + consolidamento | -Pulizia manuale | -
| Efficienza dei token | -~1,900 token/sessione ($10/anno) | -Varia per integrazione | -Memoria core nel contesto | -Varia | -Prezzo cloud | -Non dichiarato | -Nessun budget di token | -Basato su LLM (varia) | -Varia | -22K+ token a 240 osservazioni | -
| Viewer in tempo reale | -Sì (porta 3113) | -Dashboard cloud | -Dashboard cloud | -UI web | -Dashboard cloud | -UI web Hub | -No | -No | -No | -No | -
| Self-hosted | -Sì (predefinito) | -Opzionale | -Opzionale | -Sì | -No (solo cloud) | -Sì (Docker) | -Sì | -Sì (Oracle DB) | -Sì | -Sì | -
benchmark/COMPARISON.md). I valori di mem0 e Letta sono i loro numeri pubblicati su LoCoMo (un dataset diverso); i valori di MemPalace, supermemory, TencentDB (PersonaMem) e oracleagentmemory sono dichiarazioni auto-riportate dai rispettivi fornitori che non abbiamo riprodotto in modo indipendente (l'esecuzione di oracleagentmemory ha usato GPT-5.5 contro un Oracle AI Database). Mostrati fianco a fianco solo per un confronto approssimativo, non un testa a testa su dati identici. I conteggi delle stelle sono approssimativi e cambiano nel tempo.
-
-**Nuovi arrivati** da conoscere, confrontati in profondità in [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistema | ⭐ | Approccio |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Grafo di conoscenza temporale; i risultati pubblicati più solidi sulle query temporali (LongMemEval 63.8%), ma il grafo si costruisce in modo asincrono quindi i fatti recenti possono essere in ritardo |
-| Cognee | 30K | Ingestione da documento a grafo di conoscenza, solo Python, costruito per l'estrazione strutturata di entità più che per l'acquisizione di sessioni |
+Confronto aggiornato dei prodotti e delle opzioni di distribuzione, con fonti:
-AgentMemory combina acquisizione dagli agenti di programmazione, cronologia del progetto ricercabile e visualizzatore locale. La modalità senza chiave è disponibile dal primo avvio.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Guida completa: [`integrations/hermes/`](../integrations/hermes/)
Avvia il server di memoria: `npx -y @agentmemory/agentmemory@latest`
-#### Skill native tramite `npx skills add` (50+ agenti)
+#### Skill native tramite `npx skills add`
agentmemory distribuisce 17 skill nel formato `
-
| - -### 検索精度 - -**coding-agent-life-v1**(社内コーパス、サンドボックスで再現可能) - -| アダプタ | P@5 | R@5 | Top-5 ヒット率 | p50 レイテンシ | -|---|---|---|---|---| -| **agentmemory ハイブリッド** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep ベースライン | 0.227 | 0.967 | 15 / 15 | 0 ms | - -このコーパスの **P@5 の数学的上限**(0.240、スコアカード参照)で Top-5 ヒット率 100% を達成。ハイブリッドはすべてのゴールドセッションを取得しますが、grep は複数セッションにわたる時系列クエリでゴールドの 2 件中 1 件を取りこぼします。向上しているのは**リコール + 時系列性**であり、集計精度ではありません。このベンチマークは小規模でゴールドが少なく、下の、より大きな LongMemEval-S のほうがより明確に差を示します。種類別の詳細な内訳と補正の注記: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)。 - -**LongMemEval-S**(ICLR 2025、500 問) +最新の検索評価結果、指標の定義、再現手順: -| システム | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25 のみフォールバック | 86.2% | 94.6% | 71.5% | - - | -- -### トークン削減 - -| アプローチ | トークン/年 | コスト/年 | -|---|---|---| -| フルコンテキストを貼り付け | 19.5M+ | 不可能(ウィンドウを超過) | -| LLM による要約 | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + ローカル埋め込み | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -組み込み (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| 種別 | -メモリエンジン + MCP サーバー | -メモリレイヤー API | -フルエージェントランタイム | -パーソナル AI | -メモリ API + アプリ | -チームメモリハブ(LLM プロキシ) | -ベクトルメモリ(OSS) | -メモリエンジン(Oracle DB) | -メモリシステム | -静的ファイル | -
| 検索 R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -自己申告 | -PersonaMem 76%(自己申告) | -~96.6%(自己申告) | -94.4%(自己申告) | -N/A | -N/A (grep) | -
| 自動キャプチャ | -12 hooks(手動作業ゼロ) | -手動の add() 呼び出し |
-エージェントが自分で編集 | -手動 | -API 側での抽出 | -プロキシ横取り(base-URL 差し替え) | -手動 | -API 抽出 | -手動 | -手動編集 | -
| 検索 | -BM25 + ベクトル + グラフ(RRF 融合) | -ベクトル + グラフ | -ベクトル(アーカイブ) | -セマンティック | -ベクトル + RAG | -4 種のアセット(Chat / Skill / Wiki / CodeGraph) | -ベクトルのみ | -ベクトル + セマンティック | -減衰重み付け | -すべてをコンテキストにロード | -
| マルチエージェント | -MCP + REST + リース + シグナル | -API(調整なし) | -Letta ランタイム内のみ | -なし | -なし | -チームロール + 共有アセット | -なし | -スコープのみ | -マルチエージェント共有 | -エージェントごとのファイル | -
| フレームワークロックイン | -なし(任意の MCP クライアント) | -なし | -高(Letta 必須) | -スタンドアロン | -なし | -プロキシがすべてのモデル呼び出しを仲介 | -なし | -Oracle Database | -なし | -エージェントごとのフォーマット | -
| 外部依存 | -別のデータベースサービスは不要 | -Qdrant / pgvector | -Postgres + ベクトル DB | -複数 | -マネージドクラウド | -Docker スタック(Core + Hub + Proxy) | -ベクトルストア | -Oracle AI Database | -なし | -なし | -
| メモリライフサイクル | -4 層統合 + 減衰 + 自動忘却 | -受動的抽出 | -エージェント管理 | -手動 | -自動忘却 | -手動レビュー(自動ルーティングは開発中) | -なし | -記載なし | -減衰 + 統合 | -手動プルーニング | -
| トークン効率 | -~1,900 tokens/セッション ($10/年) | -統合方法による | -コアメモリがコンテキスト内 | -場合による | -クラウド価格 | -記載なし | -トークン予算なし | -LLM ベース(場合による) | -場合による | -240 観測で 22K+ tokens | -
| リアルタイムビューワー | -あり(ポート 3113) | -クラウドダッシュボード | -クラウドダッシュボード | -Web UI | -クラウドダッシュボード | -Hub の Web UI | -なし | -なし | -なし | -なし | -
| セルフホスト | -あり(デフォルト) | -オプション | -オプション | -あり | -なし(クラウドのみ) | -あり(Docker) | -あり | -あり(Oracle DB) | -あり | -あり | -
benchmark/COMPARISON.md から再現可能)。mem0 と Letta の数値は各社が公表した LoCoMo の数値(別のデータセット)です。MemPalace、supermemory、TencentDB(PersonaMem)、oracleagentmemory の数値はベンダーの自己申告で、当方では独立に再現していません(oracleagentmemory の実行は Oracle AI Database に対して GPT-5.5 を使用しています)。並べて示しているのはあくまで目安であり、同一データでの直接対決ではありません。スター数は概数で、時間とともに変動します。
-
-**知っておく価値のある新顔**で、[`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) で詳しく比較しています:
-
-| システム | ⭐ | 切り口 |
-|--------|---|-------|
-| Zep / Graphiti | 30K | 時系列ナレッジグラフ。公表されている時系列クエリの結果としては最強(LongMemEval 63.8%)だが、グラフ構築が非同期のため新しい事実の反映が遅れることがある |
-| Cognee | 30K | ドキュメントからナレッジグラフへの取り込み。Python のみで、セッションキャプチャではなく構造化エンティティ抽出のために作られている |
+製品と導入方法の最新比較(出典付き):
-AgentMemory はセッションのキャプチャ、検索可能なプロジェクト履歴、ローカルビューアーを組み合わせ、初回からキーレスで使えます。
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
メモリサーバーを起動: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add` によるネイティブ skills(50+ エージェント)
+#### `npx skills add` によるネイティブ skills
agentmemory は Claude Code スタイルの `
-
| - -### 검색 정확도 - -**coding-agent-life-v1** (자체 코퍼스, 샌드박스 재현 가능) - -| 어댑터 | P@5 | R@5 | Top-5 적중률 | p50 지연 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -이 코퍼스의 **P@5 수학적 상한**(0.240, 스코어카드 참고)에서 Top-5 적중률 100%. 하이브리드는 모든 gold 세션을 검색하지만, grep은 멀티 세션 시간 쿼리에서 gold 2개 중 1개를 놓칩니다. 이득은 종합 정밀도가 아니라 **리콜 + 시간성**입니다. 이 벤치마크는 작고 gold가 희소하며, 아래의 더 큰 LongMemEval-S가 더 잘 변별합니다. 유형별 전체 분석 + 정정 노트: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500개 질문) +최신 검색 평가 결과, 지표 정의 및 재현 절차: -| 시스템 | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### 토큰 절감 - -| 방식 | 연간 토큰 | 연간 비용 | -|---|---|---| -| 전체 컨텍스트를 매번 붙여넣기 | 19.5M+ | 불가능(컨텍스트 윈도우 초과) | -| LLM 요약 | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + 로컬 임베딩 | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -내장 메모리 (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| 유형 | -메모리 엔진 + MCP 서버 | -메모리 레이어 API | -완전한 에이전트 런타임 | -개인 AI | -메모리 API + 앱 | -팀 메모리 허브 (LLM 프록시) | -벡터 메모리 (OSS) | -메모리 엔진 (Oracle DB) | -메모리 시스템 | -정적 파일 | -
| 검색 R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -해당 없음 | -자체 보고 | -PersonaMem 76% (자체 보고) | -~96.6% (자체 보고) | -94.4% (자체 보고) | -해당 없음 | -해당 없음 (grep) | -
| 자동 캡처 | -hook 12개 (수동 작업 없음) | -수동 add() 호출 |
-에이전트 자체 편집 | -수동 | -API 측 추출 | -프록시 가로채기 (base-URL 교체) | -수동 | -API 추출 | -수동 | -수동 편집 | -
| 검색 | -BM25 + Vector + Graph (RRF 융합) | -Vector + Graph | -Vector (archival) | -시맨틱 | -Vector + RAG | -4가지 자산 유형 (Chat / Skill / Wiki / CodeGraph) | -Vector 전용 | -Vector + 시맨틱 | -감쇠 가중 | -모든 것을 컨텍스트에 로드 | -
| 멀티 에이전트 | -MCP + REST + lease + signal | -API (조정 없음) | -Letta 런타임 내에서만 | -없음 | -없음 | -팀 역할 + 공유 자산 | -없음 | -스코프만 지원 | -멀티 에이전트 공유 | -에이전트별 파일 | -
| 프레임워크 종속성 | -없음 (모든 MCP 클라이언트) | -없음 | -높음 (Letta 사용 필수) | -독립형 | -없음 | -프록시가 모든 모델 호출을 프론팅 | -없음 | -Oracle Database | -없음 | -에이전트별 포맷 | -
| 외부 의존성 | -별도 데이터베이스 서비스 불필요 | -Qdrant / pgvector | -Postgres + 벡터 DB | -다수 | -매니지드 클라우드 | -Docker 스택 (Core + Hub + Proxy) | -벡터 스토어 | -Oracle AI Database | -없음 | -없음 | -
| 메모리 라이프사이클 | -4-tier 통합 + 감쇠 + 자동 망각 | -수동적 추출 | -에이전트 관리 | -수동 | -자동 망각 | -수동 리뷰; 자동 라우팅 진행 중 | -없음 | -명시 없음 | -감쇠 + 통합 | -수동 정리 | -
| 토큰 효율 | -세션당 ~1,900 토큰 ($10/년) | -통합 방식에 따라 다름 | -핵심 메모리는 컨텍스트에 상주 | -다양 | -클라우드 가격 책정 | -명시 없음 | -토큰 예산 없음 | -LLM 기반 (다양) | -다양 | -관측 240개 기준 22K+ 토큰 | -
| 실시간 뷰어 | -있음 (포트 3113) | -클라우드 대시보드 | -클라우드 대시보드 | -웹 UI | -클라우드 대시보드 | -Hub 웹 UI | -없음 | -없음 | -없음 | -없음 | -
| 셀프 호스팅 | -예 (기본값) | -선택 사항 | -선택 사항 | -예 | -아니오 (클라우드 전용) | -예 (Docker) | -예 | -예 (Oracle DB) | -예 | -예 | -
benchmark/COMPARISON.md에서 재현 가능). mem0와 Letta 수치는 그들이 게시한 LoCoMo 수치(다른 데이터셋)이며, MemPalace, supermemory, TencentDB (PersonaMem), oracleagentmemory 수치는 우리가 독립적으로 재현하지 않은 벤더 자체 보고 주장입니다(oracleagentmemory의 실행은 Oracle AI Database에 대해 GPT-5.5를 사용했습니다). 대략적인 비교를 위해 나란히 표시했을 뿐, 동일 데이터에 대한 정면 대결이 아닙니다. Star 수는 근사치이며 시간이 지나면서 변동합니다.
-
-알아둘 만한 **최근 진입자들**, [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md)에서 심층 비교:
-
-| 시스템 | ⭐ | 접근 방식 |
-|--------|---|-------|
-| Zep / Graphiti | 30K | 시간적 지식 그래프. 게시된 시간 쿼리 결과 중 가장 강력(LongMemEval 63.8%)하지만, 그래프가 비동기로 빌드되어 최신 사실이 지연될 수 있음 |
-| Cognee | 30K | 문서-지식 그래프 수집, Python 전용, 세션 캡처보다는 구조화된 엔티티 추출을 위해 설계됨 |
+출처를 포함한 최신 제품 및 배포 방식 비교:
-AgentMemory는 세션 캡처, 검색 가능한 프로젝트 이력, 로컬 뷰어를 함께 제공하며 처음부터 키 없이 사용할 수 있습니다.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -778,7 +570,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
메모리 서버 시작: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add`를 통한 네이티브 skill (50+ 에이전트)
+#### `npx skills add`를 통한 네이티브 skill
agentmemory는 Claude-Code 스타일의 `
-
| - -### Nøyaktighet ved gjenfinning - -**coding-agent-life-v1** (eget korpus, reproduserbart i sandbox) - -| Adapter | P@5 | R@5 | Topp-5-treffrate | p50-latens | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100 % topp-5-treffrate ved **P@5-matematikktaket** for dette korpuset (0.240, se scorekortet). Hybrid finner hver gullsesjon; grep mister 1 av 2 gull på det flersesjons-temporale søket. Gevinsten er **recall + temporal**, ikke samlet presisjon. Denne ytelsestesten er liten og gull-sparsom; den større LongMemEval-S nedenfor skiller bedre. Full oppdeling per type + korrigeringsnotat: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 spørsmål) +Oppdaterte søkeresultater, definisjoner av måltall og trinn for reproduksjon: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Kun BM25-fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Tokenbesparelser - -| Metode | Tokens/år | Kostnad/år | -|---|---|---| -| Lim inn full kontekst | 19.5M+ | Umulig (overskrider konteksten) | -| LLM-oppsummert | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokale embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Innebygd (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Type | -Minnemotor + MCP-server | -Minnelag-API | -Fullstendig agent-runtime | -Personlig AI | -Minne-API + app | -Team-minnehub (LLM-proxy) | -Vektorminne (åpen kildekode) | -Minnemotor (Oracle DB) | -Minnesystem | -Statisk fil | -
| Gjenfinning R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -Ikke tilgjengelig | -Selvrapportert | -PersonaMem 76% (selvrapportert) | -~96.6% (selvrapportert) | -94.4% (selvrapportert) | -Ikke tilgjengelig | -Ikke tilgjengelig (grep) | -
| Automatisk fangst | -12 hooks (ingen manuell innsats) | -Manuelle add()-kall |
-Agenten redigerer selv | -Manuelt | -Uttrekk på API-siden | -Proxy-avlytting (base-URL-bytte) | -Manuelt | -API-uttrekk | -Manuelt | -Manuell redigering | -
| Søk | -BM25 + vektor + graf (RRF-fusjon) | -Vektor + graf | -Vektor (arkiv) | -Semantisk | -Vektor + RAG | -4 ressurstyper (Chat / Skill / Wiki / CodeGraph) | -Kun vektor | -Vektor + semantisk | -Forfallsvektet | -Laster alt inn i konteksten | -
| Flere agenter | -MCP + REST + leaser + signaler | -API (ingen koordinering) | -Kun innenfor Letta-runtime | -Nei | -Nei | -Teamroller + delte ressurser | -Nei | -Kun avgrenset | -Delt mellom flere agenter | -Filer per agent | -
| Rammeverksbinding | -Ingen (enhver MCP-klient) | -Ingen | -Høy (må bruke Letta) | -Frittstående | -Ingen | -Proxy fronter hvert modellkall | -Ingen | -Oracle Database | -Ingen | -Format per agent | -
| Eksterne avhengigheter | -Ingen separat databasetjeneste nødvendig | -Qdrant / pgvector | -Postgres + vektor-DB | -Flere | -Administrert sky | -Docker-stack (Core + Hub + Proxy) | -Vektorlager | -Oracle AI Database | -Ingen | -Ingen | -
| Minnelivssyklus | -4-nivås konsolidering + forfall + automatisk glemming | -Passivt uttrekk | -Agent-administrert | -Manuelt | -Automatisk glemming | -Manuell gjennomgang; automatisk ruting underveis | -Ingen | -Ikke angitt | -Forfall + konsolidering | -Manuell beskjæring | -
| Tokeneffektivitet | -~1 900 tokens/sesjon ($10/år) | -Varierer med integrasjon | -Kjerneminne i konteksten | -Varierer | -Skyprising | -Ikke angitt | -Ingen tokenbudsjett | -LLM-basert (varierer) | -Varierer | -22K+ tokens ved 240 observasjoner | -
| Viewer i realtid | -Ja (port 3113) | -Sky-dashbord | -Sky-dashbord | -Web-UI | -Sky-dashbord | -Hub-web-UI | -Nei | -Nei | -Nei | -Nei | -
| Selvhostet | -Ja (standard) | -Valgfritt | -Valgfritt | -Ja | -Nei (kun sky) | -Ja (Docker) | -Ja | -Ja (Oracle DB) | -Ja | -Ja | -
benchmark/COMPARISON.md). Tallene for mem0 og Letta er deres publiserte LoCoMo-tall (et annet datasett); tallene for MemPalace, supermemory, TencentDB (PersonaMem) og oracleagentmemory er leverandørers selvrapporterte påstander vi ikke har reprodusert selv (oracleagentmemorys kjøring brukte GPT-5.5 mot en Oracle AI Database). Vist side ved side kun som et grovt sammenligningsgrunnlag, ikke en direkte sammenligning på identiske data. Stjernetall er tilnærmede og endrer seg over tid.
-
-**Nyere aktører** verdt å kjenne til, sammenlignet i detalj i [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | Vinkling |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal kunnskapsgraf; de sterkeste publiserte resultatene på temporale søk (LongMemEval 63.8%), men grafen bygges asynkront så ferske fakta kan ligge etter |
-| Cognee | 30K | Dokument-til-kunnskapsgraf-innlasting, kun Python, bygget for strukturert entitetsuttrekk snarere enn sesjonsfangst |
+Oppdatert sammenligning av produkter og driftsalternativer med kilder:
-AgentMemory kombinerer registrering fra kodeagenter, søkbar prosjekthistorikk og en lokal viewer. Du kan arbeide uten nøkkel fra første start.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -777,7 +569,7 @@ Full veiledning: [`integrations/hermes/`](../integrations/hermes/)
Start minneserveren: `npx -y @agentmemory/agentmemory@latest`
-#### Native skills via `npx skills add` (50+ agenter)
+#### Native skills via `npx skills add`
agentmemory leveres med 17 skills i Claude-Code-stilens `
-
| - -### Retrieval-nauwkeurigheid - -**coding-agent-life-v1** (eigen corpus, reproduceerbaar in een sandbox) - -| Adapter | P@5 | R@5 | Top-5-hitrate | p50-latentie | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% top-5-hitrate op het **P@5-wiskundige plafond** voor dit corpus (0.240, zie scorecard). Hybride haalt elke gold session op; grep mist 1 van 2 gold-resultaten bij de multi-session temporele query. De winst zit in **recall + temporeel**, niet in geaggregeerde precisie. Deze benchmark is klein en gold-sparse; de grotere LongMemEval-S hieronder onderscheidt beter. Volledige uitsplitsing per type + correctienotitie: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 vragen) +Actuele zoekresultaten, definities van meetwaarden en stappen om de test te herhalen: -| Systeem | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Tokenbesparing - -| Aanpak | Tokens/jaar | Kosten/jaar | -|---|---|---| -| Volledige context plakken | 19.5M+ | Onmogelijk (overschrijdt het venster) | -| LLM-samengevat | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokale embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Ingebouwd (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Type | -Memory engine + MCP-server | -Memory-laag-API | -Volledige agent-runtime | -Persoonlijke AI | -Memory-API + app | -Team-memory-hub (LLM-proxy) | -Vector-memory (OSS) | -Memory engine (Oracle DB) | -Memory-systeem | -Statisch bestand | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Zelf gerapporteerd | -PersonaMem 76% (zelf gerapporteerd) | -~96.6% (zelf gerapporteerd) | -94.4% (zelf gerapporteerd) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hooks (geen handmatige moeite) | -Handmatige add()-aanroepen |
-Agent bewerkt zelf | -Handmatig | -Extractie aan de API-kant | -Proxy-interceptie (base-URL wisselen) | -Handmatig | -API-extractie | -Handmatig | -Handmatig bewerken | -
| Zoeken | -BM25 + Vector + Graph (RRF-fusie) | -Vector + Graph | -Vector (archief) | -Semantisch | -Vector + RAG | -4 asset-types (Chat / Skill / Wiki / CodeGraph) | -Alleen vector | -Vector + semantisch | -Decay-gewogen | -Laadt alles in de context | -
| Multi-agent | -MCP + REST + leases + signals | -API (geen coördinatie) | -Alleen binnen Letta-runtime | -Nee | -Nee | -Teamrollen + gedeelde assets | -Nee | -Alleen scoped | -Gedeeld tussen meerdere agents | -Bestanden per agent | -
| Framework lock-in | -Geen (elke MCP-client) | -Geen | -Hoog (moet Letta gebruiken) | -Standalone | -Geen | -Proxy staat voor elke model-aanroep | -Geen | -Oracle Database | -Geen | -Formaat per agent | -
| Externe dependencies | -Geen afzonderlijke databaseservice nodig | -Qdrant / pgvector | -Postgres + vector-db | -Meerdere | -Managed cloud | -Docker-stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Geen | -Geen | -
| Memory lifecycle | -4-laags consolidatie + decay + auto-forget | -Passieve extractie | -Beheerd door agent | -Handmatig | -Auto-forget | -Handmatige review; auto-routing in ontwikkeling | -Geen | -Niet vermeld | -Decay + consolidatie | -Handmatig opschonen | -
| Tokenefficiëntie | -~1,900 tokens/sessie ($10/jaar) | -Varieert per integratie | -Core memory in context | -Varieert | -Cloud pricing | -Niet vermeld | -Geen tokenbudget | -LLM-ondersteund (varieert) | -Varieert | -22K+ tokens bij 240 observaties | -
| Realtime viewer | -Ja (poort 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -Nee | -Nee | -Nee | -Nee | -
| Self-hosted | -Ja (standaard) | -Optioneel | -Optioneel | -Ja | -Nee (alleen cloud) | -Ja (Docker) | -Ja | -Ja (Oracle DB) | -Ja | -Ja | -
benchmark/COMPARISON.md). De cijfers van mem0 en Letta zijn hun gepubliceerde LoCoMo-cijfers (een andere dataset); de cijfers van MemPalace, supermemory, TencentDB (PersonaMem) en oracleagentmemory zijn door de leverancier zelf gerapporteerde claims die we niet onafhankelijk hebben gereproduceerd (de run van oracleagentmemory gebruikte GPT-5.5 tegen een Oracle AI Database). Naast elkaar getoond voor een ruwe inschatting, niet als head-to-head op identieke data. Stertallen zijn benaderend en veranderen in de tijd.
-
-**Nieuwere spelers** die het kennen waard zijn, in detail vergeleken in [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Systeem | ⭐ | Invalshoek |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporele knowledge graph; sterkste gepubliceerde resultaten voor temporele queries (LongMemEval 63.8%), maar de graph wordt asynchroon opgebouwd, waardoor verse feiten kunnen achterblijven |
-| Cognee | 30K | Document-naar-knowledge-graph-ingestie, alleen Python, gebouwd voor gestructureerde entiteitsextractie in plaats van sessie-capture |
+Bijgewerkte vergelijking van producten en implementatieopties, met bronnen:
-AgentMemory combineert vastlegging door programmeeragents, doorzoekbare projectgeschiedenis en een lokale viewer. Je kunt vanaf de eerste start zonder sleutel werken.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -775,7 +567,7 @@ Volledige handleiding: [`integrations/hermes/`](../integrations/hermes/)
Start de memory server: `npx -y @agentmemory/agentmemory@latest`
-#### Native skills via `npx skills add` (50+ agents)
+#### Native skills via `npx skills add`
agentmemory levert 17 skills in het Claude-Code-achtige `
-
| - -### Dokładność wyszukiwania - -**coding-agent-life-v1** (korpus własny, odtwarzalny w sandboksie) - -| Adapter | P@5 | R@5 | Trafienia w top-5 | opóźnienie p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% trafień w top-5 przy **matematycznym suficie P@5** dla tego korpusu (0.240, zobacz scorecard). Hybrid odzyskuje każdą złotą sesję; grep pomija 1 z 2 złotych sesji w zapytaniu temporalnym obejmującym wiele sesji. Przewaga dotyczy **recall + czasu**, a nie zagregowanej precyzji. Ten benchmark jest mały i ma mało danych złotych; większy LongMemEval-S poniżej różnicuje lepiej. Pełny podział per typ + uwaga o korekcie: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 pytań) +Aktualne wyniki wyszukiwania, definicje metryk i kroki odtworzenia testu: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Fallback tylko BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Oszczędność tokenów - -| Podejście | Tokeny/rok | Koszt/rok | -|---|---|---| -| Wklejenie pełnego kontekstu | 19.5M+ | Niemożliwe (przekracza okno kontekstu) | -| Podsumowane przez LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokalne embeddingi | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Wbudowana (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Typ | -Silnik pamięci + serwer MCP | -API warstwy pamięci | -Pełny runtime agenta | -Osobiste AI | -API pamięci + aplikacja | -Hub pamięci zespołowej (proxy LLM) | -Pamięć wektorowa (OSS) | -Silnik pamięci (Oracle DB) | -System pamięci | -Statyczny plik | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Dane producenta | -PersonaMem 76% (dane producenta) | -~96.6% (dane producenta) | -94.4% (dane producenta) | -N/A | -N/A (grep) | -
| Auto-przechwytywanie | -12 hooków (zero pracy ręcznej) | -Ręczne wywołania add() |
-Agent edytuje się sam | -Ręczne | -Ekstrakcja po stronie API | -Przechwytywanie przez proxy (zamiana base-URL) | -Ręczne | -Ekstrakcja przez API | -Ręczne | -Ręczna edycja | -
| Wyszukiwanie | -BM25 + wektory + graf (fuzja RRF) | -Wektory + graf | -Wektory (archiwalne) | -Semantyczne | -Wektory + RAG | -4 typy zasobów (Chat / Skill / Wiki / CodeGraph) | -Tylko wektory | -Wektory + semantyczne | -Ważone zanikaniem | -Wczytuje wszystko do kontekstu | -
| Wiele agentów | -MCP + REST + leasy + sygnały | -API (brak koordynacji) | -Tylko w ramach runtime Letta | -Nie | -Nie | -Role zespołowe + współdzielone zasoby | -Nie | -Tylko w ograniczonym zakresie | -Współdzielona między agentami | -Pliki per agent | -
| Uzależnienie od frameworka | -Brak (każdy klient MCP) | -Brak | -Wysokie (musisz używać Letta) | -Samodzielny | -Brak | -Proxy przechwytuje każde wywołanie modelu | -Brak | -Oracle Database | -Brak | -Format per agent | -
| Zależności zewnętrzne | -Nie wymaga osobnej usługi bazy danych | -Qdrant / pgvector | -Postgres + baza wektorowa | -Wiele | -Zarządzana chmura | -Stos Docker (Core + Hub + Proxy) | -Magazyn wektorowy | -Oracle AI Database | -Brak | -Brak | -
| Cykl życia pamięci | -4-poziomowa konsolidacja + zanikanie + auto-zapominanie | -Pasywna ekstrakcja | -Zarządzane przez agenta | -Ręczne | -Auto-zapominanie | -Ręczny przegląd; auto-routing w budowie | -Brak | -Nie podano | -Zanikanie + konsolidacja | -Ręczne czyszczenie | -
| Efektywność tokenowa | -~1,900 tokenów/sesję ($10/rok) | -Zależy od integracji | -Pamięć core w kontekście | -Zależy | -Cennik chmury | -Nie podano | -Brak budżetu tokenów | -Oparte na LLM (zależy) | -Zależy | -22K+ tokenów przy 240 obs. | -
| Podgląd w czasie rzeczywistym | -Tak (port 3113) | -Dashboard w chmurze | -Dashboard w chmurze | -Interfejs webowy | -Dashboard w chmurze | -Interfejs webowy Hub | -Nie | -Nie | -Nie | -Nie | -
| Self-hosted | -Tak (domyślnie) | -Opcjonalnie | -Opcjonalnie | -Tak | -Nie (tylko chmura) | -Tak (Docker) | -Tak | -Tak (Oracle DB) | -Tak | -Tak | -
benchmark/COMPARISON.md). Wartości mem0 i Letta to ich opublikowane liczby LoCoMo (inny zbiór danych); wartości MemPalace, supermemory, TencentDB (PersonaMem) i oracleagentmemory to deklaracje producentów, których nie odtworzyliśmy niezależnie (uruchomienie oracleagentmemory używało GPT-5.5 względem Oracle AI Database). Zestawione obok siebie tylko orientacyjnie, nie jako test głowa w głowę na identycznych danych. Liczby gwiazdek są przybliżone i zmieniają się w czasie.
-
-**Nowsi uczestnicy** warci uwagi, porównani szerzej w [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | Podejście |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporalny graf wiedzy; najsilniejsze opublikowane wyniki zapytań temporalnych (LongMemEval 63.8%), ale graf buduje się asynchronicznie, więc świeże fakty mogą się spóźniać |
-| Cognee | 30K | Ingestia dokumentów do grafu wiedzy, tylko Python, zbudowane do strukturalnej ekstrakcji encji, a nie przechwytywania sesji |
+Aktualne porównanie produktów i opcji wdrożenia wraz ze źródłami:
-AgentMemory łączy przechwytywanie sesji, przeszukiwalną historię projektu i lokalny podgląd, z trybem bez klucza od pierwszego uruchomienia.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -784,7 +576,7 @@ Pełny przewodnik: [`integrations/hermes/`](../integrations/hermes/)
Uruchom serwer pamięci: `npx -y @agentmemory/agentmemory@latest`
-#### Natywne skille przez `npx skills add` (50+ agentów)
+#### Natywne skille przez `npx skills add`
agentmemory dostarcza 17 skilli w formacie `
-
| - -### Precisão de recuperação - -**coding-agent-life-v1** (corpus interno, reproduzível em sandbox) - -| Adaptador | P@5 | R@5 | Taxa de acerto top-5 | Latência p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Taxa de acerto top-5 de 100% no **teto matemático de P@5** deste corpus (0.240, veja a scorecard). O híbrido recupera todas as sessões gold; o grep perde 1 de 2 golds na query temporal multi-sessão. O ganho é **recall + temporal**, não precisão agregada. Este benchmark é pequeno e esparso em golds; o LongMemEval-S maior abaixo diferencia melhor. Detalhamento completo por tipo + nota de correção: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 perguntas) +Resultados atuais de recuperação, definições das métricas e etapas de reprodução: -| Sistema | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Economia de tokens - -| Abordagem | Tokens/ano | Custo/ano | -|---|---|---| -| Colar contexto completo | 19.5M+ | Impossível (excede a janela) | -| Resumido por LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embeddings locais | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Built-in (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tipo | -Engine de memória + servidor MCP | -API de camada de memória | -Runtime de agente completo | -IA pessoal | -API de memória + app | -Hub de memória de time (proxy de LLM) | -Memória vetorial (OSS) | -Engine de memória (Oracle DB) | -Sistema de memória | -Arquivo estático | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Autorreportado | -PersonaMem 76% (autorreportado) | -~96.6% (autorreportado) | -94.4% (autorreportado) | -N/A | -N/A (grep) | -
| Captura automática | -12 hooks (esforço manual zero) | -Chamadas manuais a add() |
-O agente se autoedita | -Manual | -Extração no lado da API | -Interceptação por proxy (troca de base-URL) | -Manual | -Extração via API | -Manual | -Edição manual | -
| Busca | -BM25 + Vector + Graph (fusão RRF) | -Vector + Graph | -Vector (archival) | -Semântica | -Vector + RAG | -4 tipos de asset (Chat / Skill / Wiki / CodeGraph) | -Somente vector | -Vector + semântica | -Ponderada por decaimento | -Carrega tudo no contexto | -
| Multiagente | -MCP + REST + leases + signals | -API (sem coordenação) | -Somente dentro do runtime do Letta | -Não | -Não | -Papéis de time + assets compartilhados | -Não | -Somente com escopo | -Compartilhado multiagente | -Arquivos por agente | -
| Dependência de framework | -Nenhuma (qualquer cliente MCP) | -Nenhuma | -Alta (precisa usar Letta) | -Standalone | -Nenhuma | -Proxy na frente de toda chamada de modelo | -Nenhuma | -Oracle Database | -Nenhuma | -Formato por agente | -
| Dependências externas | -Nenhum serviço de banco de dados separado necessário | -Qdrant / pgvector | -Postgres + BD vetorial | -Várias | -Nuvem gerenciada | -Stack Docker (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Nenhuma | -Nenhuma | -
| Ciclo de vida da memória | -Consolidação de 4 níveis + decaimento + auto-esquecimento | -Extração passiva | -Gerenciado pelo agente | -Manual | -Auto-esquecimento | -Revisão manual; roteamento automático em andamento | -Nenhum | -Não informado | -Decaimento + consolidação | -Poda manual | -
| Eficiência de tokens | -~1,900 tokens/sessão ($10/ano) | -Varia por integração | -Memória principal no contexto | -Varia | -Precificação em nuvem | -Não informado | -Sem orçamento de tokens | -Baseado em LLM (varia) | -Varia | -22K+ tokens em 240 observações | -
| Viewer em tempo real | -Sim (porta 3113) | -Dashboard na nuvem | -Dashboard na nuvem | -Web UI | -Dashboard na nuvem | -Web UI do Hub | -Não | -Não | -Não | -Não | -
| Self-hosted | -Sim (padrão) | -Opcional | -Opcional | -Sim | -Não (somente nuvem) | -Sim (Docker) | -Sim | -Sim (Oracle DB) | -Sim | -Sim | -
benchmark/COMPARISON.md). Os números de mem0 e Letta são os números LoCoMo publicados por eles (um dataset diferente); os números de MemPalace, supermemory, TencentDB (PersonaMem) e oracleagentmemory são alegações autorreportadas dos fornecedores que não reproduzimos de forma independente (a execução do oracleagentmemory usou GPT-5.5 contra um Oracle AI Database). Mostrados lado a lado apenas como ordem de grandeza, não como comparação direta sobre dados idênticos. As contagens de stars são aproximadas e mudam com o tempo.
-
-**Novos entrantes** que vale a pena conhecer, comparados em profundidade em [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistema | ⭐ | Abordagem |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Grafo de conhecimento temporal; os resultados publicados mais fortes em queries temporais (LongMemEval 63.8%), mas o grafo é construído de forma assíncrona, então fatos recentes podem atrasar |
-| Cognee | 30K | Ingestão de documento para grafo de conhecimento, somente Python, feito para extração estruturada de entidades em vez de captura de sessão |
+Comparação atualizada de produtos e opções de implantação, com fontes:
-O AgentMemory combina captura por agentes de programação, histórico de projeto pesquisável e visualizador local. O uso sem chave está disponível desde a primeira execução.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -777,7 +569,7 @@ Guia completo: [`integrations/hermes/`](../integrations/hermes/)
Inicie o servidor de memória: `npx -y @agentmemory/agentmemory@latest`
-#### Skills nativas via `npx skills add` (50+ agentes)
+#### Skills nativas via `npx skills add`
agentmemory entrega 17 skills no formato `
-
| - -### Precisão de Recuperação - -**coding-agent-life-v1** (corpus interno, reproduzível em sandbox) - -| Adaptador | P@5 | R@5 | Taxa de acerto top-5 | latência p50 | -|---|---|---|---|---| -| **agentmemory híbrido** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep de referência | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Taxa de acerto top-5 de 100% no **teto matemático do P@5** para este corpus (0.240, ver scorecard). O híbrido recupera todas as sessões gold; o grep falha 1 de 2 golds na query temporal multi-sessão. O ganho está no **recall + temporal**, não na precisão agregada. Este benchmark é pequeno e escasso em golds; o LongMemEval-S maior, abaixo, diferencia melhor. Detalhamento completo por tipo + nota de correção: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 perguntas) +Resultados atuais de recuperação, definições das métricas e passos de reprodução: -| Sistema | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| fallback apenas BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Economia de Tokens - -| Abordagem | Tokens/ano | Custo/ano | -|---|---|---| -| Colar o contexto completo | 19.5M+ | Impossível (excede a janela) | -| Resumido por LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embeddings locais | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Incorporado (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tipo | -Motor de memória + servidor MCP | -API de camada de memória | -Runtime completo de agente | -IA pessoal | -API de memória + app | -Hub de memória de equipa (proxy LLM) | -Memória vetorial (OSS) | -Motor de memória (Oracle DB) | -Sistema de memória | -Ficheiro estático | -
| Recuperação R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Autorreportado | -PersonaMem 76% (autorreportado) | -~96.6% (autorreportado) | -94.4% (autorreportado) | -N/A | -N/A (grep) | -
| Captura automática | -12 hooks (esforço manual zero) | -Chamadas manuais a add() |
-Autoedição pelo agente | -Manual | -Extração do lado da API | -Interceção via proxy (troca de URL base) | -Manual | -Extração via API | -Manual | -Edição manual | -
| Pesquisa | -BM25 + Vetor + Grafo (fusão RRF) | -Vetor + Grafo | -Vetor (arquivo) | -Semântica | -Vetor + RAG | -4 tipos de recursos (Chat / Skill / Wiki / CodeGraph) | -Apenas vetor | -Vetor + semântica | -Ponderada por decaimento | -Carrega tudo para o contexto | -
| Multiagente | -MCP + REST + leases + signals | -API (sem coordenação) | -Apenas dentro do runtime da Letta | -Não | -Não | -Papéis de equipa + recursos partilhados | -Não | -Apenas com âmbito definido | -Partilhada multiagente | -Ficheiros por agente | -
| Dependência de framework | -Nenhuma (qualquer cliente MCP) | -Nenhuma | -Alta (tem de usar Letta) | -Autónomo | -Nenhuma | -O proxy intermedeia todas as chamadas ao modelo | -Nenhuma | -Oracle Database | -Nenhuma | -Formato por agente | -
| Dependências externas | -Nenhum serviço de base de dados separado necessário | -Qdrant / pgvector | -Postgres + BD vetorial | -Várias | -Nuvem gerida | -Stack Docker (Core + Hub + Proxy) | -Armazenamento vetorial | -Oracle AI Database | -Nenhuma | -Nenhuma | -
| Ciclo de vida da memória | -Consolidação em 4 níveis + decaimento + esquecimento automático | -Extração passiva | -Gerido pelo agente | -Manual | -Esquecimento automático | -Revisão manual; encaminhamento automático em desenvolvimento | -Nenhum | -Não indicado | -Decaimento + consolidação | -Limpeza manual | -
| Eficiência de tokens | -~1,900 tokens/sessão ($10/ano) | -Varia com a integração | -Memória principal no contexto | -Varia | -Preços na nuvem | -Não indicado | -Sem orçamento de tokens | -Suportado por LLM (varia) | -Varia | -22K+ tokens em 240 observações | -
| Visualizador em tempo real | -Sim (porta 3113) | -Painel na nuvem | -Painel na nuvem | -Interface Web | -Painel na nuvem | -Interface Web do hub | -Não | -Não | -Não | -Não | -
| Auto-hospedado | -Sim (predefinição) | -Opcional | -Opcional | -Sim | -Não (apenas na nuvem) | -Sim (Docker) | -Sim | -Sim (Oracle DB) | -Sim | -Sim | -
benchmark/COMPARISON.md). Os valores de mem0 e Letta são os números LoCoMo publicados por eles (um dataset diferente); os valores de MemPalace, supermemory, TencentDB (PersonaMem) e oracleagentmemory são afirmações autorreportadas pelos fornecedores que não reproduzimos de forma independente (a execução do oracleagentmemory usou o GPT-5.5 contra uma Oracle AI Database). Mostrados lado a lado apenas como estimativa aproximada, não como comparação direta sobre dados idênticos. As contagens de estrelas são aproximadas e variam com o tempo.
-
-**Participantes mais recentes** que vale a pena conhecer, comparados em profundidade em [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistema | ⭐ | Abordagem |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Grafo de conhecimento temporal; os resultados publicados mais fortes em queries temporais (LongMemEval 63.8%), mas o grafo é construído de forma assíncrona, por isso os factos recentes podem atrasar |
-| Cognee | 30K | Ingestão de documentos para grafo de conhecimento, apenas Python, construído para extração estruturada de entidades em vez de captura de sessões |
+Comparação atualizada de produtos e opções de implementação, com fontes:
-O AgentMemory combina captura por agentes de programação, histórico de projeto pesquisável e visualizador local. O uso sem chave está disponível desde a primeira execução.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Guia completo: [`integrations/hermes/`](../integrations/hermes/)
Inicie o servidor de memória: `npx -y @agentmemory/agentmemory@latest`
-#### Skills nativas via `npx skills add` (50+ agentes)
+#### Skills nativas via `npx skills add`
O agentmemory distribui 17 skills no formato `
-
| - -### Acuratețea regăsirii - -**coding-agent-life-v1** (corpus intern, reproductibil în sandbox) - -| Adaptor | P@5 | R@5 | Rata de succes Top-5 | Latență p50 | -|---|---|---|---|---| -| **agentmemory hibrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep (referință) | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Rată de succes Top-5 de 100% la **plafonul matematic P@5** pentru acest corpus (0.240, vezi scorecard-ul). Modul hibrid regăsește fiecare sesiune de referință (gold); grep ratează 1 din 2 sesiuni de referință la interogarea temporală pe mai multe sesiuni. Avantajul este pe **recall + temporal**, nu pe precizia agregată. Acest benchmark este mic și are puține exemple de referință; LongMemEval-S, mai amplu, de mai jos diferențiază mai bine. Detalierea completă pe tipuri + nota de corecție: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 de întrebări) +Rezultatele actuale ale căutării, definițiile metricilor și pașii de reproducere: -| Sistem | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Doar BM25 (fallback) | 86.2% | 94.6% | 71.5% | - - | -- -### Economii de tokeni - -| Abordare | Tokeni/an | Cost/an | -|---|---|---| -| Lipire context complet | 19.5M+ | Imposibil (depășește fereastra de context) | -| Rezumat de LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embeddings locale | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Încorporat (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tip | -Motor de memorie + server MCP | -API strat de memorie | -Runtime complet de agent | -AI personal | -API de memorie + aplicație | -Hub de memorie de echipă (proxy LLM) | -Memorie vectorială (OSS) | -Motor de memorie (Oracle DB) | -Sistem de memorie | -Fișier static | -
| Regăsire R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Auto-raportat | -PersonaMem 76% (auto-raportat) | -~96.6% (auto-raportat) | -94.4% (auto-raportat) | -N/A | -N/A (grep) | -
| Captare automată | -12 hook-uri (fără efort manual) | -Apeluri manuale add() |
-Auto-editare de către agent | -Manual | -Extracție pe partea de API | -Interceptare prin proxy (schimbare base-URL) | -Manual | -Extracție API | -Manual | -Editare manuală | -
| Căutare | -BM25 + Vector + Graf (fuziune RRF) | -Vector + Graf | -Vector (arhivă) | -Semantică | -Vector + RAG | -4 tipuri de active (Chat / Skill / Wiki / CodeGraph) | -Doar vector | -Vector + semantică | -Ponderată prin declin (decay) | -Încarcă totul în context | -
| Multi-agent | -MCP + REST + lease-uri + semnale | -API (fără coordonare) | -Doar în interiorul runtime-ului Letta | -Nu | -Nu | -Roluri de echipă + active partajate | -Nu | -Doar cu scope limitat | -Partajat multi-agent | -Fișiere per agent | -
| Dependență de framework | -Niciuna (orice client MCP) | -Niciuna | -Ridicată (trebuie folosit Letta) | -Independent (standalone) | -Niciuna | -Proxy-ul intermediază fiecare apel de model | -Niciuna | -Oracle Database | -Niciuna | -Format per agent | -
| Dependențe externe | -Nu necesită un serviciu de baze de date separat | -Qdrant / pgvector | -Postgres + bază de date vectorială | -Multiple | -Cloud administrat | -Stivă Docker (Core + Hub + Proxy) | -Magazin vectorial | -Oracle AI Database | -Niciuna | -Niciuna | -
| Ciclul de viață al memoriei | -Consolidare pe 4 niveluri + declin + uitare automată | -Extracție pasivă | -Gestionat de agent | -Manual | -Uitare automată | -Revizuire manuală; direcționare automată în lucru | -Niciuna | -Nespecificat | -Declin + consolidare | -Curățare manuală | -
| Eficiența tokenilor | -~1,900 tokeni/sesiune ($10/an) | -Variază în funcție de integrare | -Memorie de bază (core) în context | -Variază | -Preț cloud | -Nespecificat | -Fără buget de tokeni | -Susținut de LLM (variază) | -Variază | -22K+ tokeni la 240 observații | -
| Vizualizator în timp real | -Da (port 3113) | -Dashboard cloud | -Dashboard cloud | -Interfață web | -Dashboard cloud | -Interfață web Hub | -Nu | -Nu | -Nu | -Nu | -
| Auto-hostat | -Da (implicit) | -Opțional | -Opțional | -Da | -Nu (doar cloud) | -Da (Docker) | -Da | -Da (Oracle DB) | -Da | -Da | -
benchmark/COMPARISON.md). Cifrele pentru mem0 și Letta sunt numerele lor publicate pe LoCoMo (un set de date diferit); cifrele pentru MemPalace, supermemory, TencentDB (PersonaMem) și oracleagentmemory sunt afirmații auto-raportate de furnizori, pe care nu le-am reprodus independent (rularea oracleagentmemory a folosit GPT-5.5 împotriva unei Oracle AI Database). Prezentate una lângă alta doar orientativ, nu ca o comparație directă pe date identice. Numărul de stele este aproximativ și variază în timp.
-
-**Jucători mai noi** merită cunoscuți, comparați în detaliu în [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistem | ⭐ | Unghi |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Graf de cunoștințe temporal; cele mai bune rezultate publicate pentru interogări temporale (LongMemEval 63.8%), dar graful se construiește asincron, așa că faptele noi pot întârzia |
-| Cognee | 30K | Ingestie document-în-graf-de-cunoștințe, doar Python, construit pentru extracție structurată de entități, nu pentru captarea sesiunilor |
+Comparație actualizată a produselor și opțiunilor de implementare, cu surse:
-AgentMemory combină captura sesiunilor, istoricul căutabil al proiectului și un viewer local, cu funcționare fără cheie de la prima pornire.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Ghid complet: [`integrations/hermes/`](../integrations/hermes/)
Pornește serverul de memorie: `npx -y @agentmemory/agentmemory@latest`
-#### Skill-uri native prin `npx skills add` (50+ agenți)
+#### Skill-uri native prin `npx skills add`
agentmemory vine cu 17 skill-uri în formatul `
-
| - -### Точность извлечения - -**coding-agent-life-v1** (собственный корпус, воспроизводимый в sandbox) - -| Адаптер | P@5 | R@5 | Top-5 hit rate | p50 задержка | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% попаданий в top-5 на **математическом потолке P@5** для этого корпуса (0.240, см. scorecard). Hybrid извлекает каждую gold-сессию; grep промахивается на 1 из 2 gold в мультисессионном темпоральном запросе. Прирост даёт **recall + temporal**, а не суммарная точность. Этот бенчмарк маленький и разреженный по gold; более крупный LongMemEval-S ниже различает лучше. Полная разбивка по типам и заметка о поправке: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 вопросов) +Актуальные результаты поиска, определения метрик и шаги воспроизведения: -| Система | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Только BM25 (fallback) | 86.2% | 94.6% | 71.5% | - - | -- -### Экономия токенов - -| Подход | Токенов/год | Стоимость/год | -|---|---|---| -| Вставка полного контекста | 19.5M+ | Невозможно (превышает окно) | -| Сжатие LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + локальные эмбеддинги | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Встроенное (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Тип | -Движок памяти + MCP-сервер | -API уровня памяти | -Полноценный агентский runtime | -Персональный ИИ | -API памяти + приложение | -Командный хаб памяти (LLM-прокси) | -Векторная память (OSS) | -Движок памяти (Oracle DB) | -Система памяти | -Статический файл | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Заявлено вендором | -PersonaMem 76% (заявлено вендором) | -~96.6% (заявлено вендором) | -94.4% (заявлено вендором) | -N/A | -N/A (grep) | -
| Авто-захват | -12 хуков (никаких ручных усилий) | -Ручные вызовы add() |
-Агент сам редактирует | -Вручную | -Извлечение на стороне API | -Перехват через прокси (подмена base-URL) | -Вручную | -Извлечение через API | -Вручную | -Ручное редактирование | -
| Поиск | -BM25 + Vector + Graph (RRF-слияние) | -Vector + Graph | -Vector (архивный) | -Семантический | -Vector + RAG | -4 типа ассетов (Chat / Skill / Wiki / CodeGraph) | -Только Vector | -Vector + семантический | -Взвешенный по затуханию | -Загружает всё в контекст | -
| Мультиагентность | -MCP + REST + lease'ы + сигналы | -API (без координации) | -Только внутри runtime Letta | -Нет | -Нет | -Командные роли + общие ассеты | -Нет | -Только scope'ы | -Мультиагентная общая | -Отдельные файлы на агента | -
| Привязка к фреймворку | -Нет (любой MCP-клиент) | -Нет | -Высокая (нужен Letta) | -Standalone | -Нет | -Прокси стоит перед каждым вызовом модели | -Нет | -Oracle Database | -Нет | -Формат на агента | -
| Внешние зависимости | -Отдельный сервис базы данных не требуется | -Qdrant / pgvector | -Postgres + векторная БД | -Несколько | -Managed-облако | -Docker-стек (Core + Hub + Proxy) | -Векторное хранилище | -Oracle AI Database | -Нет | -Нет | -
| Жизненный цикл памяти | -4-уровневая консолидация + затухание + авто-забывание | -Пассивное извлечение | -Управляется агентом | -Вручную | -Авто-забывание | -Ручной ревью; авто-маршрутизация в разработке | -Нет | -Не указано | -Затухание + консолидация | -Ручное усечение | -
| Эффективность по токенам | -~1,900 токенов/сессия ($10/год) | -Зависит от интеграции | -Core memory в контексте | -Зависит | -Облачные тарифы | -Не указано | -Без токен-бюджета | -На основе LLM (варьируется) | -Зависит | -22K+ токенов при 240 наблюдениях | -
| Просмотрщик в реальном времени | -Да (порт 3113) | -Облачная панель | -Облачная панель | -Веб-UI | -Облачная панель | -Веб-UI хаба | -Нет | -Нет | -Нет | -Нет | -
| Self-hosted | -Да (по умолчанию) | -Опционально | -Опционально | -Да | -Нет (только облако) | -Да (Docker) | -Да | -Да (Oracle DB) | -Да | -Да | -
benchmark/COMPARISON.md). Цифры mem0 и Letta — их опубликованные результаты LoCoMo (другой датасет); цифры MemPalace, supermemory, TencentDB (PersonaMem) и oracleagentmemory — самозаявленные вендорами значения, которые мы независимо не воспроизводили (прогон oracleagentmemory использовал GPT-5.5 против Oracle AI Database). Показаны рядом только для ориентира, это не сравнение лоб в лоб на одинаковых данных. Количество звёзд приблизительно и меняется со временем.
-
-**Более новые участники**, которых стоит знать, подробно сравниваются в [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Система | ⭐ | Особенность |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Темпоральный граф знаний; сильнейшие опубликованные результаты на темпоральных запросах (LongMemEval 63.8%), но граф строится асинхронно, поэтому свежие факты могут запаздывать |
-| Cognee | 30K | Превращение документов в граф знаний, только Python, создан для структурированного извлечения сущностей, а не для захвата сессий |
+Актуальное сравнение продуктов и вариантов развёртывания с источниками:
-AgentMemory объединяет захват сессий, поиск по истории проекта и локальный viewer; работа без ключа доступна с первого запуска.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
Запустите сервер памяти: `npx -y @agentmemory/agentmemory@latest`
-#### Нативные skill'ы через `npx skills add` (50+ агентов)
+#### Нативные skill'ы через `npx skills add`
agentmemory поставляет 17 skill'ов в формате `
-
| - -### Hämtningsnoggrannhet - -**coding-agent-life-v1** (internt korpus, reproducerbart i sandbox) - -| Adapter | P@5 | R@5 | Topp-5-träffrate | p50-latens | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep-baslinje | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% topp-5-träffrate vid **P@5-mattaket** för detta korpus (0.240, se scorecard). Hybrid hämtar varje gold-session; grep missar 1 av 2 gold på den flersessions-temporala frågan. Lyftet ligger i **recall + temporal**, inte i aggregerad precision. Detta benchmark är litet och gold-glest; det större LongMemEval-S nedan differentierar bättre. Fullständig uppdelning per typ + rättelsenotis: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 frågor) +Aktuella sökresultat, definitioner av mått och steg för reproduktion: -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Endast BM25-fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Tokenbesparingar - -| Metod | Tokens/år | Kostnad/år | -|---|---|---| -| Klistra in hela kontexten | 19.5M+ | Omöjligt (överskrider fönstret) | -| LLM-sammanfattat | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + lokala embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Inbyggt (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Typ | -Minnesmotor + MCP-server | -Minneslager-API | -Fullständig agent-körtid | -Personlig AI | -Minnes-API + app | -Teamminnesnav (LLM-proxy) | -Vektorminne (OSS) | -Minnesmotor (Oracle DB) | -Minnessystem | -Statisk fil | -
| Hämtning R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Självrapporterat | -PersonaMem 76% (självrapporterat) | -~96.6% (självrapporterat) | -94.4% (självrapporterat) | -N/A | -N/A (grep) | -
| Automatisk infångning | -12 hooks (noll manuellt arbete) | -Manuella add()-anrop |
-Agenten redigerar sig själv | -Manuellt | -Extraktion på API-sidan | -Proxy-avlyssning (byte av bas-URL) | -Manuellt | -API-extraktion | -Manuellt | -Manuell redigering | -
| Sökning | -BM25 + vektor + graf (RRF-fusion) | -Vektor + graf | -Vektor (arkiverat) | -Semantisk | -Vektor + RAG | -4 typer av tillgångar (Chat / Skill / Wiki / CodeGraph) | -Endast vektor | -Vektor + semantisk | -Avklingningsviktad | -Laddar allt in i kontexten | -
| Multiagent | -MCP + REST + leaser + signaler | -API (ingen koordinering) | -Endast inom Letta-körtiden | -Nej | -Nej | -Teamroller + delade tillgångar | -Nej | -Endast scopead | -Delad mellan agenter | -Filer per agent | -
| Ramverksinlåsning | -Ingen (vilken MCP-klient som helst) | -Ingen | -Hög (måste använda Letta) | -Fristående | -Ingen | -Proxy framför varje modellanrop | -Ingen | -Oracle Database | -Ingen | -Format per agent | -
| Externa beroenden | -Ingen separat databastjänst behövs | -Qdrant / pgvector | -Postgres + vektor-DB | -Flera | -Hanterad molntjänst | -Docker-stack (Core + Hub + Proxy) | -Vektorlager | -Oracle AI Database | -Inga | -Inga | -
| Minneslivscykel | -4-nivås konsolidering + avklingning + auto-glömning | -Passiv extraktion | -Hanteras av agenten | -Manuellt | -Auto-glömning | -Manuell granskning; automatisk routing på gång | -Inget | -Inte angivet | -Avklingning + konsolidering | -Manuell beskärning | -
| Tokeneffektivitet | -~1,900 tokens/session ($10/år) | -Varierar efter integration | -Kärnminne i kontexten | -Varierar | -Molnprissättning | -Inte angivet | -Ingen tokenbudget | -LLM-baserad (varierar) | -Varierar | -22K+ tokens vid 240 observationer | -
| Viewer i realtid | -Ja (port 3113) | -Molnpanel | -Molnpanel | -Webbgränssnitt | -Molnpanel | -Webbgränssnitt för hubben | -Nej | -Nej | -Nej | -Nej | -
| Självhostad | -Ja (standard) | -Valfritt | -Valfritt | -Ja | -Nej (endast moln) | -Ja (Docker) | -Ja | -Ja (Oracle DB) | -Ja | -Ja | -
benchmark/COMPARISON.md). Siffrorna för mem0 och Letta är deras publicerade LoCoMo-siffror (ett annat dataset); siffrorna för MemPalace, supermemory, TencentDB (PersonaMem) och oracleagentmemory är leverantörens egna rapporterade påståenden som vi inte har reproducerat oberoende (oracleagentmemorys körning använde GPT-5.5 mot en Oracle AI Database). Visas sida vid sida enbart som fingervisning, inte en head-to-head på identisk data. Stjärnantal är ungefärliga och förändras över tid.
-
-**Nyare aktörer** värda att känna till, jämförda på djupet i [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | Inriktning |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal kunskapsgraf; starkast publicerade resultat för temporala frågor (LongMemEval 63.8%), men grafen byggs asynkront så färska fakta kan ligga efter |
-| Cognee | 30K | Dokument-till-kunskapsgraf-inmatning, endast Python, byggt för strukturerad entitetsextraktion snarare än sessionsinfångning |
+Uppdaterad jämförelse av produkter och driftsalternativ med källor:
-AgentMemory kombinerar registrering från kodningsagenter, sökbar projekthistorik och en lokal viewer. Du kan arbeta utan nyckel från första starten.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -779,7 +571,7 @@ Fullständig guide: [`integrations/hermes/`](../integrations/hermes/)
Starta minnesservern: `npx -y @agentmemory/agentmemory@latest`
-#### Inbyggda skills via `npx skills add` (50+ agenter)
+#### Inbyggda skills via `npx skills add`
agentmemory levereras med 17 skills i Claude-Code-stilens `
-
| - -### Retrieval Accuracy - -**coding-agent-life-v1** (คอร์ปัสภายใน ทำซ้ำได้ใน sandbox) - -| Adapter | P@5 | R@5 | Top-5 hit rate | p50 latency | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Top-5 hit rate 100% ที่ **เพดานทางคณิตศาสตร์ของ P@5** สำหรับคอร์ปัสนี้ (0.240 ดูใน scorecard) hybrid ดึงข้อมูล gold session ได้ครบทุกตัว ส่วน grep พลาด 1 ใน 2 ของ gold ในคำค้นที่ครอบคลุมหลายเซสชันตามลำดับเวลา ส่วนที่ดีขึ้นคือ **recall + temporal** ไม่ใช่ precision โดยรวม benchmark นี้มีขนาดเล็กและ gold มีน้อย ส่วน LongMemEval-S ที่ใหญ่กว่าด้านล่างจะแยกความแตกต่างได้ดีกว่า รายละเอียดแยกตามประเภทแบบเต็ม พร้อมหมายเหตุการแก้ไข: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md) - -**LongMemEval-S** (ICLR 2025, 500 คำถาม) - -| System | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Token Savings +ผลการค้นคืนล่าสุด นิยามตัวชี้วัด และขั้นตอนการทดสอบซ้ำ: -| Approach | Tokens/yr | Cost/yr | -|---|---|---| -| Paste full context | 19.5M+ | เป็นไปไม่ได้ (เกิน window) | -| LLM-summarized | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + local embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Built-in (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| ประเภท | -Memory engine + MCP server | -Memory layer API | -Full agent runtime | -Personal AI | -Memory API + app | -Team memory hub (LLM proxy) | -Vector memory (OSS) | -Memory engine (Oracle DB) | -Memory system | -Static file | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -รายงานเอง | -PersonaMem 76% (รายงานเอง) | -~96.6% (รายงานเอง) | -94.4% (รายงานเอง) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hooks (ไม่ต้องทำเอง) | -เรียก add() เอง |
-Agent แก้ไขตัวเอง | -ทำเอง | -ดึงข้อมูลฝั่ง API | -Proxy interception (สลับ base-URL) | -ทำเอง | -ดึงข้อมูลผ่าน API | -ทำเอง | -แก้ไขเอง | -
| Search | -BM25 + Vector + Graph (RRF fusion) | -Vector + Graph | -Vector (archival) | -Semantic | -Vector + RAG | -4 asset types (Chat / Skill / Wiki / CodeGraph) | -Vector-only | -Vector + semantic | -Decay-weighted | -โหลดทุกอย่างเข้า context | -
| Multi-agent | -MCP + REST + leases + signals | -API (ไม่มีการประสานงาน) | -ภายใน Letta runtime เท่านั้น | -ไม่มี | -ไม่มี | -Team roles + shared assets | -ไม่มี | -จำกัดเฉพาะ scope | -Multi-agent shared | -ไฟล์แยกตาม agent | -
| Framework lock-in | -ไม่มี (MCP client ใดก็ได้) | -ไม่มี | -สูง (ต้องใช้ Letta) | -Standalone | -ไม่มี | -Proxy ครอบทุก model call | -ไม่มี | -Oracle Database | -ไม่มี | -รูปแบบแยกตาม agent | -
| External deps | -ไม่ต้องมีบริการฐานข้อมูลแยก | -Qdrant / pgvector | -Postgres + vector DB | -หลายตัว | -Managed cloud | -Docker stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -ไม่มี | -ไม่มี | -
| Memory lifecycle | -4-tier consolidation + decay + auto-forget | -ดึงข้อมูลแบบ passive | -Agent จัดการเอง | -ทำเอง | -Auto-forget | -ตรวจสอบเอง; auto-routing กำลังพัฒนา | -ไม่มี | -ไม่ระบุ | -Decay + consolidation | -ตัดทิ้งเอง | -
| Token efficiency | -~1,900 token/เซสชัน ($10/ปี) | -แตกต่างกันตามการเชื่อมต่อ | -Core memory อยู่ใน context | -แตกต่างกัน | -ราคาแบบ cloud | -ไม่ระบุ | -ไม่มี token budget | -ขึ้นกับ LLM (แตกต่างกัน) | -แตกต่างกัน | -22K+ token ที่ 240 observation | -
| Real-time viewer | -มี (พอร์ต 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -ไม่มี | -ไม่มี | -ไม่มี | -ไม่มี | -
| Self-hosted | -มี (default) | -เป็นตัวเลือก | -เป็นตัวเลือก | -มี | -ไม่มี (cloud เท่านั้น) | -มี (Docker) | -มี | -มี (Oracle DB) | -มี | -มี | -
benchmark/COMPARISON.md) ตัวเลขของ mem0 และ Letta เป็นตัวเลข LoCoMo ที่พวกเขาเผยแพร่เอง (คนละ dataset) ส่วนตัวเลขของ MemPalace, supermemory, TencentDB (PersonaMem) และ oracleagentmemory เป็นข้อเรียกร้องที่ผู้ผลิตรายงานเอง ซึ่งเรายังไม่ได้ทำซ้ำเพื่อตรวจสอบอย่างเป็นอิสระ (การรันของ oracleagentmemory ใช้ GPT-5.5 กับ Oracle AI Database) แสดงเทียบกันเพื่อให้เห็นภาพกว้าง ๆ เท่านั้น ไม่ใช่การเทียบแบบตัวต่อตัวบนข้อมูลชุดเดียวกัน จำนวน star เป็นค่าประมาณและเปลี่ยนแปลงไปตามเวลา
-
-**ผู้เล่นใหม่** ที่ควรรู้จัก เทียบรายละเอียดได้ใน [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| System | ⭐ | มุมมอง |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal knowledge graph; ผลลัพธ์ temporal-query ที่เผยแพร่แล้วแข็งแกร่งที่สุด (LongMemEval 63.8%) แต่ graph สร้างแบบ asynchronous จึงอาจตามข้อมูลใหม่ไม่ทัน |
-| Cognee | 30K | การนำ document เข้าสู่ knowledge graph, รองรับแค่ Python, สร้างมาเพื่อดึง structured entity มากกว่าการ capture เซสชัน |
+การเปรียบเทียบผลิตภัณฑ์และตัวเลือกการติดตั้งล่าสุดพร้อมแหล่งอ้างอิง:
-AgentMemory รวมการบันทึกเซสชัน ประวัติโปรเจ็กต์ที่ค้นหาได้ และตัวดูข้อมูลในเครื่อง พร้อมใช้งานแบบไม่ต้องมีคีย์ตั้งแต่ครั้งแรก
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -770,7 +564,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
เริ่ม memory server: `npx -y @agentmemory/agentmemory@latest`
-#### Native skills via `npx skills add` (50+ agents)
+#### Native skills via `npx skills add`
agentmemory ship skill มาทั้งหมด 17 ตัว ในรูปแบบ `
-
| - -### Katumpakan ng Retrieval - -**coding-agent-life-v1** (in-house corpus, reproducible sa sandbox) - -| Adapter | P@5 | R@5 | Top-5 hit rate | p50 latency | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% top-5 hit rate sa **P@5 math ceiling** para sa corpus na ito (0.240, tingnan ang scorecard). Nakukuha ng hybrid ang bawat gold session; nawawala sa grep ang 1 sa 2 gold sa multi-session temporal query. Ang lift ay sa **recall + temporal**, hindi sa aggregate precision. Maliit at gold-sparse ang benchmark na ito; mas mahusay na nagkakaiba ang mas malaking LongMemEval-S sa ibaba. Buong per-type breakdown + correction note: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 tanong) +Kasalukuyang resulta ng paghahanap, kahulugan ng mga sukatan, at mga hakbang sa pag-ulit ng pagsubok: -| Sistema | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Pagtitipid sa Token - -| Pamamaraan | Tokens/yr | Cost/yr | -|---|---|---| -| I-paste ang buong context | 19.5M+ | Imposible (lumalagpas sa window) | -| Pinaikli ng LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + local embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Built-in (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Uri | -Memory engine + MCP server | -Memory layer API | -Buong agent runtime | -Personal AI | -Memory API + app | -Team memory hub (LLM proxy) | -Vector memory (OSS) | -Memory engine (Oracle DB) | -Sistema ng memory | -Static file | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Sariling ulat | -PersonaMem 76% (sariling ulat) | -~96.6% (sariling ulat) | -94.4% (sariling ulat) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hook (walang manu-manong pagsisikap) | -Manual na add() call |
-Sariling pag-edit ng agent | -Manual | -API-side extraction | -Proxy interception (pagpalit ng base-URL) | -Manual | -API extraction | -Manual | -Manual na pag-edit | -
| Paghahanap | -BM25 + Vector + Graph (RRF fusion) | -Vector + Graph | -Vector (archival) | -Semantic | -Vector + RAG | -4 uri ng asset (Chat / Skill / Wiki / CodeGraph) | -Vector lamang | -Vector + semantic | -Decay-weighted | -Nilo-load ang lahat sa context | -
| Multi-agent | -MCP + REST + lease + signal | -API (walang coordination) | -Sa loob lamang ng Letta runtime | -Hindi | -Hindi | -Mga tungkulin sa team + shared asset | -Hindi | -Scoped lamang | -Shared sa multi-agent | -Per-agent na file | -
| Framework lock-in | -Wala (kahit anong MCP client) | -Wala | -Mataas (kailangang gamitin ang Letta) | -Standalone | -Wala | -Proxy sa harap ng bawat model call | -Wala | -Oracle Database | -Wala | -Per-agent na format | -
| Panlabas na deps | -Hindi kailangan ng hiwalay na database service | -Qdrant / pgvector | -Postgres + vector DB | -Marami | -Managed cloud | -Docker stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Wala | -Wala | -
| Memory lifecycle | -4-tier consolidation + decay + auto-forget | -Passive extraction | -Pinamamahalaan ng agent | -Manual | -Auto-forget | -Manual review; isinasagawa pa ang auto-routing | -Wala | -Hindi nakasaad | -Decay + consolidation | -Manual na pruning | -
| Kahusayan ng Token | -~1,900 tokens/session ($10/yr) | -Depende sa integration | -Core memory sa context | -Depende | -Cloud pricing | -Hindi nakasaad | -Walang token budget | -LLM-backed (depende) | -Depende | -22K+ tokens sa 240 obs | -
| Real-time viewer | -Oo (port 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -Hindi | -Hindi | -Hindi | -Hindi | -
| Self-hosted | -Oo (default) | -Opsyonal | -Opsyonal | -Oo | -Hindi (cloud-only) | -Oo (Docker) | -Oo | -Oo (Oracle DB) | -Oo | -Oo | -
benchmark/COMPARISON.md). Ang mga figure ng mem0 at Letta ay ang kanilang mga pinublikang numero sa LoCoMo (ibang dataset); ang mga figure ng MemPalace, supermemory, TencentDB (PersonaMem), at oracleagentmemory ay mga claim na self-reported ng vendor na hindi namin independent na-reproduce (ang run ng oracleagentmemory ay gumamit ng GPT-5.5 laban sa isang Oracle AI Database). Ipinapakita nang tabi-tabi para sa ballpark estimate lamang, hindi isang head-to-head sa parehong data. Ang bilang ng star ay tinatantya at nagbabago sa paglipas ng panahon.
-
-**Mga bagong entrant** na dapat malaman, inihambing nang detalyado sa [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Sistema | ⭐ | Anggulo |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal knowledge graph; ang pinakamalakas na pinublikang resulta sa temporal-query (LongMemEval 63.8%), pero bumubuo ang graph nang asynchronous kaya maaaring mahuli ang mga bagong fact |
-| Cognee | 30K | Document-to-knowledge-graph ingestion, Python lamang, ginawa para sa structured entity extraction sa halip na session capture |
+Na-update na paghahambing ng mga produkto at paraan ng deployment, kasama ang mga sanggunian:
-Pinagsasama ng AgentMemory ang session capture, searchable na project history, at local viewer, na magagamit nang walang key mula sa unang pagpapatakbo.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Kumpletong gabay: [`integrations/hermes/`](../integrations/hermes/)
Simulan ang memory server: `npx -y @agentmemory/agentmemory@latest`
-#### Native na skill gamit ang `npx skills add` (50+ agent)
+#### Native na skill gamit ang `npx skills add`
Nag-ship ang agentmemory ng 17 skill sa Claude-Code-style na `
-
| - -### Geri Getirme Doğruluğu - -**coding-agent-life-v1** (şirket içi (in-house) corpus, sandbox'ta yeniden üretilebilir) - -| Adaptör | P@5 | R@5 | İlk 5'te bulma oranı | p50 gecikme | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Bu corpus için **P@5 matematiksel tavanında** (0.240, scorecard'a bakın) %100 ilk-5 bulma oranı. Hybrid, her gold oturumu getirir; grep, çok-oturumlu temporal sorguda 2 gold'dan 1'ini kaçırır. Kazanım **recall + temporal**'dir, toplam precision değil. Bu benchmark küçüktür ve gold açısından seyrektir; aşağıdaki daha büyük LongMemEval-S daha iyi ayrıştırır. Tam tür bazlı döküm + düzeltme notu: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 soru) +Güncel bilgi getirme sonuçları, metrik tanımları ve yeniden üretme adımları: -| Sistem | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| Yalnızca BM25 fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Token Tasarrufu - -| Yaklaşım | Token/yıl | Maliyet/yıl | -|---|---|---| -| Tam bağlamı yapıştır | 19.5M+ | İmkansız (pencereyi aşar) | -| LLM ile özetlenmiş | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + yerel embedding'ler | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Yerleşik (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Tür | -Bellek engine'i + MCP sunucusu | -Bellek katmanı API'si | -Tam ajan runtime'ı | -Kişisel AI | -Bellek API'si + uygulama | -Takım belleği hub'ı (LLM proxy) | -Vektör belleği (OSS) | -Bellek engine'i (Oracle DB) | -Bellek sistemi | -Statik dosya | -
| Geri Getirme R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Kendi beyanı | -PersonaMem 76% (kendi beyanı) | -~96.6% (kendi beyanı) | -94.4% (kendi beyanı) | -N/A | -N/A (grep) | -
| Otomatik yakalama | -12 hook (sıfır manuel çaba) | -Manuel add() çağrıları |
-Ajan kendi kendine düzenler | -Manuel | -API tarafında çıkarım | -Proxy ile yakalama (base-URL değişimi) | -Manuel | -API çıkarımı | -Manuel | -Manuel düzenleme | -
| Arama | -BM25 + Vektör + Graf (RRF füzyonu) | -Vektör + Graf | -Vektör (arşivsel) | -Semantik | -Vektör + RAG | -4 varlık türü (Chat / Skill / Wiki / CodeGraph) | -Yalnızca vektör | -Vektör + semantik | -Çürüme ağırlıklı (decay-weighted) | -Her şeyi bağlama yükler | -
| Çoklu ajan | -MCP + REST + lease'ler + signal'ler | -API (koordinasyon yok) | -Yalnızca Letta runtime'ı içinde | -Hayır | -Hayır | -Takım rolleri + paylaşılan varlıklar | -Hayır | -Yalnızca scope'lu | -Çoklu ajan arasında paylaşılan | -Ajan başına dosyalar | -
| Framework bağımlılığı (lock-in) | -Yok (herhangi bir MCP istemcisi) | -Yok | -Yüksek (Letta kullanmak zorunlu) | -Bağımsız | -Yok | -Proxy her model çağrısının önünde | -Yok | -Oracle Database | -Yok | -Ajan başına format | -
| Harici bağımlılıklar | -Ayrı bir veritabanı hizmeti gerektirmez | -Qdrant / pgvector | -Postgres + vektör DB | -Birden fazla | -Yönetilen bulut | -Docker stack'i (Core + Hub + Proxy) | -Vektör deposu | -Oracle AI Database | -Yok | -Yok | -
| Bellek yaşam döngüsü | -4 katmanlı konsolidasyon + çürüme + otomatik unutma | -Pasif çıkarım | -Ajan tarafından yönetilen | -Manuel | -Otomatik unutma | -Manuel inceleme; otomatik yönlendirme geliştiriliyor | -Yok | -Belirtilmemiş | -Çürüme + konsolidasyon | -Manuel budama | -
| Token verimliliği | -~1,900 token/oturum ($10/yıl) | -Entegrasyona göre değişir | -Çekirdek bellek bağlamda | -Değişir | -Bulut fiyatlandırması | -Belirtilmemiş | -Token bütçesi yok | -LLM destekli (değişir) | -Değişir | -240 gözlemde 22K+ token | -
| Gerçek zamanlı görüntüleyici | -Evet (port 3113) | -Bulut dashboard'u | -Bulut dashboard'u | -Web arayüzü | -Bulut dashboard'u | -Hub web arayüzü | -Hayır | -Hayır | -Hayır | -Hayır | -
| Kendi sunucunda barındırma | -Evet (varsayılan) | -Opsiyonel | -Opsiyonel | -Evet | -Hayır (yalnızca bulut) | -Evet (Docker) | -Evet | -Evet (Oracle DB) | -Evet | -Evet | -
benchmark/COMPARISON.md'dan yeniden üretilebilir). mem0 ve Letta rakamları, onların yayımladığı LoCoMo sayılarıdır (farklı bir veri kümesi); MemPalace, supermemory, TencentDB (PersonaMem) ve oracleagentmemory rakamları, bağımsız olarak yeniden üretmediğimiz, satıcı tarafından kendi beyan edilen iddialardır (oracleagentmemory'nin çalıştırması bir Oracle AI Database'e karşı GPT-5.5 kullandı). Yalnızca kabaca karşılaştırma için yan yana gösterilmiştir, aynı veri üzerinde doğrudan bir karşılaştırma değildir. Yıldız sayıları yaklaşıktır ve zamanla değişir.
-
-**Bilinmesi gereken daha yeni oyuncular**, [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) içinde derinlemesine karşılaştırılmıştır:
-
-| Sistem | ⭐ | Yaklaşım |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal bilgi grafı; yayımlanmış en güçlü temporal-sorgu sonuçları (LongMemEval 63.8%), ancak graf asenkron olarak oluşturulur, bu yüzden yeni bilgiler gecikebilir |
-| Cognee | 30K | Doküman-to-bilgi-grafı alımı, yalnızca Python, oturum yakalamadan ziyade yapılandırılmış entity çıkarımı için inşa edilmiştir |
+Kaynaklarıyla birlikte ürünlerin ve dağıtım seçeneklerinin güncel karşılaştırması:
-AgentMemory oturum kaydını, aranabilir proje geçmişini ve yerel görüntüleyiciyi birleştirir; anahtarsız çalışma ilk başlatmadan itibaren kullanılabilir.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Tam kılavuz: [`integrations/hermes/`](../integrations/hermes/)
Bellek sunucusunu başlatın: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add` ile yerel skill'ler (50+ ajan)
+#### `npx skills add` ile yerel skill'ler
agentmemory, Claude-Code-tarzı `
-
| - -### Точність пригадування - -**coding-agent-life-v1** (власний корпус, відтворюваний у sandbox) - -| Адаптер | P@5 | R@5 | Частка влучань у топ-5 | латентність p50 | -|---|---|---|---|---| -| **agentmemory (гібридний)** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| базовий варіант grep | 0.227 | 0.967 | 15 / 15 | 0 ms | - -100% влучань у топ-5 на рівні **математичної межі P@5** для цього корпусу (0.240, див. scorecard). Гібридний режим знаходить усі золоті сесії; grep пропускає 1 з 2 золотих результатів у мультисесійному темпоральному запиті. Прирощення — це **пригадування + темпоральність**, а не агрегована точність. Цей бенчмарк невеликий і має мало золотих прикладів; більший LongMemEval-S нижче краще розрізняє результати. Повна розбивка за типами + примітка про виправлення: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 запитань) +Актуальні результати пошуку, визначення метрик і кроки відтворення: -| Система | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| резервний варіант лише на BM25 | 86.2% | 94.6% | 71.5% | - - | -- -### Економія токенів - -| Підхід | Токенів/рік | Вартість/рік | -|---|---|---| -| Вставка повного контексту | 19.5M+ | Неможливо (перевищує вікно контексту) | -| Підсумовування через LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + локальні ембединги | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Вбудована (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Тип | -Двигун пам'яті + MCP-сервер | -API шару пам'яті | -Повноцінний рантайм агента | -Персональний AI | -API пам'яті + застосунок | -Хаб командної пам'яті (LLM-проксі) | -Векторна пам'ять (OSS) | -Двигун пам'яті (Oracle DB) | -Система пам'яті | -Статичний файл | -
| Пригадування R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -Н/Д | -Заявлено самостійно | -PersonaMem 76% (заявлено самостійно) | -~96.6% (заявлено самостійно) | -94.4% (заявлено самостійно) | -Н/Д | -Н/Д (grep) | -
| Автозахоплення | -12 хуків (без ручних дій) | -Ручні виклики add() |
-Самостійне редагування агентом | -Вручну | -Видобування на стороні API | -Перехоплення через проксі (підміна base-URL) | -Вручну | -Видобування через API | -Вручну | -Ручне редагування | -
| Пошук | -BM25 + вектор + граф (злиття RRF) | -Вектор + граф | -Вектор (архівний) | -Семантичний | -Вектор + RAG | -4 типи активів (Chat / Skill / Wiki / CodeGraph) | -Лише вектор | -Вектор + семантичний | -Зважений за згасанням | -Завантажує все у контекст | -
| Мультиагентність | -MCP + REST + оренди + сигнали | -API (без координації) | -Лише в межах рантайму Letta | -Ні | -Ні | -Командні ролі + спільні активи | -Ні | -Лише в межах скоупу | -Спільна для кількох агентів | -Файли для кожного агента | -
| Прив'язка до фреймворку | -Немає (будь-який MCP-клієнт) | -Немає | -Висока (потрібно використовувати Letta) | -Автономний | -Немає | -Проксі обробляє кожен виклик моделі | -Немає | -Oracle Database | -Немає | -Формат для кожного агента | -
| Зовнішні залежності | -Окрема служба бази даних не потрібна | -Qdrant / pgvector | -Postgres + векторна БД | -Декілька | -Керована хмара | -Docker-стек (Core + Hub + Proxy) | -Векторне сховище | -Oracle AI Database | -Немає | -Немає | -
| Життєвий цикл пам'яті | -4-рівнева консолідація + згасання + автозабування | -Пасивне видобування | -Керується агентом | -Вручну | -Автозабування | -Ручний перегляд; автоматична маршрутизація в розробці | -Немає | -Не вказано | -Згасання + консолідація | -Ручне очищення | -
| Ефективність токенів | -~1,900 токенів/сесію ($10/рік) | -Залежить від інтеграції | -Основна пам'ять у контексті | -Залежить | -Хмарне ціноутворення | -Не вказано | -Без бюджету токенів | -На основі LLM (залежить) | -Залежить | -22K+ токенів при 240 спостереженнях | -
| Переглядач у реальному часі | -Так (порт 3113) | -Хмарна панель | -Хмарна панель | -Веб-інтерфейс | -Хмарна панель | -Веб-інтерфейс Hub | -Ні | -Ні | -Ні | -Ні | -
| Самостійний хостинг | -Так (за замовчуванням) | -Опційно | -Опційно | -Так | -Ні (лише хмара) | -Так (Docker) | -Так | -Так (Oracle DB) | -Так | -Так | -
benchmark/COMPARISON.md). Показники mem0 і Letta — це їхні опубліковані числа LoCoMo (інший набір даних); показники MemPalace, supermemory, TencentDB (PersonaMem) та oracleagentmemory — це заявлені самими постачальниками твердження, які ми не відтворювали самостійно (запуск oracleagentmemory використовував GPT-5.5 проти Oracle AI Database). Наведено поруч лише для орієнтовного порівняння, а не як пряме протистояння на однакових даних. Кількість зірок приблизна і змінюється з часом.
-
-**Новіші учасники**, варті уваги, детально порівняні в [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Система | ⭐ | Підхід |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Темпоральний граф знань; найкращі опубліковані результати для темпоральних запитів (LongMemEval 63.8%), але граф будується асинхронно, тому нові факти можуть надходити із затримкою |
-| Cognee | 30K | Перетворення документів на граф знань, лише Python, створено для структурованого видобування сутностей, а не для захоплення сесій |
+Оновлене порівняння продуктів і варіантів розгортання з джерелами:
-AgentMemory поєднує захоплення сесій, пошук в історії проєкту й локальний viewer; робота без ключа доступна з першого запуску.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -786,7 +578,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
Запустіть сервер пам'яті: `npx -y @agentmemory/agentmemory@latest`
-#### Нативні скіли через `npx skills add` (50+ агентів)
+#### Нативні скіли через `npx skills add`
agentmemory постачає 17 скілів у форматі `
-
| - -### ریٹریول کی درستگی - -**coding-agent-life-v1** (اندرونی corpus، sandbox میں دوبارہ قابلِ تولید) - -| Adapter | P@5 | R@5 | ٹاپ-5 ہِٹ ریٹ | p50 لیٹینسی | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep بیس لائن | 0.227 | 0.967 | 15 / 15 | 0 ms | - -اس corpus کے لیے **P@5 ریاضیاتی حد (ceiling)** پر 100% ٹاپ-5 ہِٹ ریٹ (0.240، scorecard دیکھیں)۔ Hybrid ہر gold سیشن کو ریٹریو کرتا ہے؛ grep multi-session temporal کوئری پر 2 میں سے 1 gold مِس کرتا ہے۔ فائدہ **recall + temporal** کا ہے، مجموعی precision کا نہیں۔ یہ بینچ مارک چھوٹا اور gold-sparse ہے؛ نیچے دیا گیا بڑا LongMemEval-S بہتر فرق دکھاتا ہے۔ مکمل فی-ٹائپ بریک ڈاؤن + تصحیحی نوٹ: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)۔ - -**LongMemEval-S** (ICLR 2025، 500 سوالات) +موجودہ بازیافت کے نتائج، پیمانوں کی تعریفیں اور دوبارہ جانچ کے مراحل: -| سسٹم | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only فال بیک | 86.2% | 94.6% | 71.5% | - - | -- -### ٹوکن کی بچت - -| طریقہ کار | ٹوکنز/سال | لاگت/سال | -|---|---|---| -| مکمل context پیسٹ کرنا | 19.5M+ | ناممکن (window سے تجاوز) | -| LLM-summarized | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + مقامی embeddings | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -بلٹ-اِن (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| قسم | -میموری انجن + MCP سرور | -میموری لیئر API | -مکمل ایجنٹ رن ٹائم | -ذاتی AI | -میموری API + ایپ | -ٹیم میموری ہب (LLM پراکسی) | -ویکٹر میموری (OSS) | -میموری انجن (Oracle DB) | -میموری سسٹم | -سٹیٹک فائل | -
| ریٹریول R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -خود رپورٹ شدہ | -PersonaMem 76% (خود رپورٹ شدہ) | -~96.6% (خود رپورٹ شدہ) | -94.4% (خود رپورٹ شدہ) | -N/A | -N/A (grep) | -
| خودکار کیپچر | -12 ہکس (کوئی دستی کام نہیں) | -دستی `add()` کالز | -ایجنٹ خود ترمیم کرتا ہے | -دستی | -API کی جانب سے استخراج | -پراکسی انٹرسیپشن (base-URL سویپ) | -دستی | -API استخراج | -دستی | -دستی ترمیم | -
| سرچ | -BM25 + ویکٹر + گراف (RRF فیوژن) | -ویکٹر + گراف | -ویکٹر (آرکائیول) | -سیمینٹک | -ویکٹر + RAG | -4 asset اقسام (Chat / Skill / Wiki / CodeGraph) | -صرف ویکٹر | -ویکٹر + سیمینٹک | -زوال پر مبنی وزن | -سب کچھ context میں لوڈ کرتا ہے | -
| ملٹی-ایجنٹ | -MCP + REST + لیز + سگنلز | -API (کوئی ربط نہیں) | -صرف Letta رن ٹائم کے اندر | -نہیں | -نہیں | -ٹیم کردار + مشترک asset | -نہیں | -صرف محدود دائرہ کار میں | -ملٹی-ایجنٹ مشترک | -فی-ایجنٹ فائلیں | -
| فریم ورک لاک-اِن | -کوئی نہیں (کوئی بھی MCP کلائنٹ) | -کوئی نہیں | -زیادہ (لازمی طور پر Letta استعمال کرنا ہوگا) | -اسٹینڈ الون | -کوئی نہیں | -ہر model کال کے سامنے پراکسی ہوتی ہے | -کوئی نہیں | -Oracle Database | -کوئی نہیں | -فی-ایجنٹ فارمیٹ | -
| خارجی انحصار | -الگ ڈیٹابیس سروس درکار نہیں | -Qdrant / pgvector | -Postgres + ویکٹر DB | -متعدد | -مینیجڈ کلاؤڈ | -Docker اسٹیک (Core + Hub + Proxy) | -ویکٹر اسٹور | -Oracle AI Database | -کوئی نہیں | -کوئی نہیں | -
| میموری لائف سائیکل | -4-درجاتی استحکام + زوال + خودکار فراموشی | -غیر فعال استخراج | -ایجنٹ کے زیرِ انتظام | -دستی | -خودکار فراموشی | -دستی جائزہ؛ auto-routing زیرِ تکمیل | -کوئی نہیں | -واضح نہیں | -زوال + استحکام | -دستی تراش | -
| ٹوکن کارکردگی | -~1,900 ٹوکنز/سیشن ($10/سال) | -integration کے لحاظ سے مختلف | -بنیادی میموری context میں | -مختلف ہوتا ہے | -کلاؤڈ قیمتیں | -واضح نہیں | -کوئی token بجٹ نہیں | -LLM پر مبنی (مختلف ہوتا ہے) | -مختلف ہوتا ہے | -240 obs پر 22K+ ٹوکنز | -
| ریئل-ٹائم ویور | -ہاں (پورٹ 3113) | -کلاؤڈ ڈیش بورڈ | -کلاؤڈ ڈیش بورڈ | -ویب UI | -کلاؤڈ ڈیش بورڈ | -ہب ویب UI | -نہیں | -نہیں | -نہیں | -نہیں | -
| سیلف-ہوسٹڈ | -ہاں (ڈیفالٹ) | -اختیاری | -اختیاری | -ہاں | -نہیں (صرف کلاؤڈ) | -ہاں (Docker) | -ہاں | -ہاں (Oracle DB) | -ہاں | -ہاں | -
benchmark/COMPARISON.md سے دوبارہ قابلِ تولید)۔ mem0 اور Letta کے اعداد و شمار ان کے شائع شدہ LoCoMo نمبرز ہیں (ایک مختلف dataset)؛ MemPalace، supermemory، TencentDB (PersonaMem)، اور oracleagentmemory کے اعداد vendor کے خود رپورٹ شدہ دعوے ہیں جنہیں ہم نے آزادانہ طور پر دوبارہ تولید نہیں کیا (oracleagentmemory کا رن Oracle AI Database کے خلاف GPT-5.5 استعمال کرتا تھا)۔ محض اندازاً موازنے کے لیے ساتھ ساتھ دکھایا گیا ہے، ایک جیسے ڈیٹا پر براہِ راست مقابلہ نہیں۔ Star کی تعداد تخمینی ہے اور وقت کے ساتھ بدلتی رہتی ہے۔
-
-**نئے داخل ہونے والے** جن کے بارے میں جاننا مفید ہے، تفصیلی موازنہ [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md) میں:
-
-| سسٹم | ⭐ | زاویہ |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Temporal نالج گراف؛ شائع شدہ temporal-query نتائج میں سب سے مضبوط (LongMemEval 63.8%)، لیکن گراف asynchronously بنتا ہے لہٰذا تازہ facts تاخیر سے آ سکتے ہیں |
-| Cognee | 30K | Document-to-knowledge-graph ingestion، صرف Python، structured entity extraction کے لیے بنایا گیا ہے، سیشن کیپچر کے لیے نہیں |
+مصنوعات اور تنصیب کے طریقوں کا تازہ موازنہ، حوالوں کے ساتھ:
-AgentMemory سیشن capture، قابل تلاش منصوبے کی تاریخ اور مقامی ویوئر اکٹھے فراہم کرتا ہے، اور پہلی بار سے بغیر کلید کام کر سکتا ہے۔
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -782,7 +574,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
میموری سرور شروع کریں: `npx -y @agentmemory/agentmemory@latest`
-#### `npx skills add` کے ذریعے نیٹیو اسکلز (50+ ایجنٹس)
+#### `npx skills add` کے ذریعے نیٹیو اسکلز
agentmemory 17 اسکلز کو Claude-Code طرز کے `
-
| - -### Độ chính xác Retrieval - -**coding-agent-life-v1** (corpus nội bộ, có thể tái lập trong sandbox) - -| Adapter | P@5 | R@5 | Tỷ lệ hit top-5 | Độ trễ p50 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep baseline | 0.227 | 0.967 | 15 / 15 | 0 ms | - -Tỷ lệ hit top-5 đạt 100% tại **ngưỡng toán học P@5** cho corpus này (0.240, xem scorecard). Hybrid lấy được mọi gold session; grep bỏ lỡ 1 trong 2 gold ở câu truy vấn temporal đa session. Mức cải thiện nằm ở **recall + temporal**, không phải precision tổng hợp. Benchmark này nhỏ và thưa gold; LongMemEval-S lớn hơn ở dưới phân biệt tốt hơn. Phân tích chi tiết theo từng loại + ghi chú đính chính đầy đủ: [`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md). - -**LongMemEval-S** (ICLR 2025, 500 câu hỏi) +Kết quả truy xuất hiện tại, định nghĩa chỉ số và các bước tái lập: -| Hệ thống | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| BM25-only fallback | 86.2% | 94.6% | 71.5% | - - | -- -### Tiết kiệm Token - -| Cách tiếp cận | Token/năm | Chi phí/năm | -|---|---|---| -| Dán toàn bộ context | 19.5M+ | Không thể (vượt window) | -| Tóm tắt bằng LLM | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + embedding cục bộ | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -Tích hợp sẵn (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| Loại | -Engine bộ nhớ + MCP server | -API lớp bộ nhớ | -Runtime agent đầy đủ | -AI cá nhân | -API bộ nhớ + app | -Hub bộ nhớ nhóm (LLM proxy) | -Bộ nhớ vector (OSS) | -Engine bộ nhớ (Oracle DB) | -Hệ thống bộ nhớ | -File tĩnh | -
| Retrieval R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -Tự công bố | -PersonaMem 76% (tự công bố) | -~96.6% (tự công bố) | -94.4% (tự công bố) | -N/A | -N/A (grep) | -
| Auto-capture | -12 hooks (không cần thao tác thủ công) | -Gọi add() thủ công |
-Agent tự sửa | -Thủ công | -Trích xuất phía API | -Chặn qua proxy (đổi base-URL) | -Thủ công | -Trích xuất qua API | -Thủ công | -Chỉnh sửa thủ công | -
| Tìm kiếm | -BM25 + Vector + Graph (RRF fusion) | -Vector + Graph | -Vector (lưu trữ archival) | -Ngữ nghĩa (semantic) | -Vector + RAG | -4 loại asset (Chat / Skill / Wiki / CodeGraph) | -Chỉ Vector | -Vector + ngữ nghĩa | -Có trọng số suy giảm (decay) | -Nạp tất cả vào context | -
| Đa agent | -MCP + REST + lease + signal | -API (không điều phối) | -Chỉ trong runtime Letta | -Không | -Không | -Vai trò nhóm + asset chia sẻ | -Không | -Chỉ theo scope | -Chia sẻ đa agent | -File theo từng agent | -
| Lệ thuộc framework | -Không (bất kỳ MCP client nào) | -Không | -Cao (phải dùng Letta) | -Độc lập (standalone) | -Không | -Proxy chặn trước mọi lệnh gọi model | -Không | -Oracle Database | -Không | -Định dạng theo từng agent | -
| Dependency bên ngoài | -Không cần dịch vụ cơ sở dữ liệu riêng | -Qdrant / pgvector | -Postgres + vector DB | -Nhiều | -Cloud được quản lý | -Docker stack (Core + Hub + Proxy) | -Vector store | -Oracle AI Database | -Không | -Không | -
| Lifecycle bộ nhớ | -Hợp nhất 4 tầng + suy giảm + tự quên | -Trích xuất bị động | -Do agent quản lý | -Thủ công | -Tự quên (auto-forget) | -Review thủ công; auto-routing đang phát triển | -Không | -Không công bố | -Suy giảm + hợp nhất | -Cắt bỏ thủ công | -
| Hiệu quả token | -~1,900 token/session ($10/năm) | -Thay đổi theo tích hợp | -Bộ nhớ lõi (core memory) nằm trong context | -Thay đổi | -Theo giá cloud | -Không công bố | -Không có ngân sách token | -Dựa trên LLM (thay đổi) | -Thay đổi | -22K+ token ở 240 observation | -
| Viewer real-time | -Có (port 3113) | -Cloud dashboard | -Cloud dashboard | -Web UI | -Cloud dashboard | -Hub web UI | -Không | -Không | -Không | -Không | -
| Self-hosted | -Có (mặc định) | -Tùy chọn | -Tùy chọn | -Có | -Không (chỉ cloud) | -Có (Docker) | -Có | -Có (Oracle DB) | -Có | -Có | -
benchmark/COMPARISON.md). Các số liệu của mem0 và Letta là số LoCoMo họ đã công bố (một dataset khác); các số liệu của MemPalace, supermemory, TencentDB (PersonaMem), và oracleagentmemory là các tuyên bố tự công bố từ nhà cung cấp mà chúng tôi chưa tái lập độc lập (lần chạy của oracleagentmemory dùng GPT-5.5 trên một Oracle AI Database). Chỉ hiển thị song song để ước lượng, không phải so sánh trực tiếp (head-to-head) trên cùng dữ liệu. Số lượng star chỉ là gần đúng và thay đổi theo thời gian.
-
-**Những cái tên mới** đáng để biết, được so sánh chi tiết trong [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| Hệ thống | ⭐ | Hướng tiếp cận |
-|--------|---|-------|
-| Zep / Graphiti | 30K | Knowledge graph theo thời gian (temporal); kết quả truy vấn temporal công bố mạnh nhất (LongMemEval 63.8%), nhưng graph được xây dựng bất đồng bộ nên các fact mới có thể bị trễ |
-| Cognee | 30K | Nạp từ tài liệu sang knowledge graph, chỉ hỗ trợ Python, được xây dựng để trích xuất entity có cấu trúc hơn là để capture session |
+So sánh cập nhật về sản phẩm và phương án triển khai, kèm nguồn:
-AgentMemory kết hợp ghi nhận phiên, lịch sử dự án có thể tìm kiếm và trình xem cục bộ, với chế độ không cần khóa ngay từ lần đầu.
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Hướng dẫn đầy đủ: [`integrations/hermes/`](../integrations/hermes/)
Khởi động memory server: `npx -y @agentmemory/agentmemory@latest`
-#### Skill gốc qua `npx skills add` (50+ agent)
+#### Skill gốc qua `npx skills add`
agentmemory đi kèm 17 skill theo định dạng `
-
| - -### 检索准确率 - -**coding-agent-life-v1**(内部语料库,可在沙箱中复现) - -| 适配器 | P@5 | R@5 | Top-5 命中率 | p50 延迟 | -|---|---|---|---|---| -| **agentmemory 混合** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep 基线 | 0.227 | 0.967 | 15 / 15 | 0 ms | - -在该语料库上,命中率达到了 **P@5 的数学上限**(0.240,详见 scorecard)下的 100% top-5 命中率。混合检索能取回每一个 gold 会话;grep 在多会话时间性查询上漏掉了 2 个 gold 中的 1 个。这里的提升体现在**召回率 + 时间性**,而不是整体精确率。这个基准规模较小、gold 样本稀疏;下方更大规模的 LongMemEval-S 区分度更好。完整的按类型拆分 + 修正说明见:[`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)。 - -**LongMemEval-S**(ICLR 2025,500 个问题) +最新检索结果、指标定义及复现步骤: -| 系统 | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| 仅 BM25 回退 | 86.2% | 94.6% | 71.5% | - - | -- -### Token 节省 - -| 方案 | Tokens/年 | 成本/年 | -|---|---|---| -| 粘贴完整上下文 | 19.5M+ | 不可行(超出窗口) | -| LLM 摘要 | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + 本地嵌入 | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -内建 (CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| 类型 | -记忆引擎 + MCP 服务器 | -记忆层 API | -完整代理运行时 | -个人 AI | -记忆 API + 应用 | -团队记忆中枢(LLM 代理层) | -向量记忆(开源) | -记忆引擎(Oracle DB) | -记忆系统 | -静态文件 | -
| 检索 R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -自报 | -PersonaMem 76%(自报) | -~96.6%(自报) | -94.4%(自报) | -N/A | -N/A (grep) | -
| 自动捕获 | -12 hooks(零人工) | -手动调用 add() |
-代理自编辑 | -手动 | -API 侧提取 | -代理层拦截(替换 base-URL) | -手动 | -API 提取 | -手动 | -手动编辑 | -
| 搜索 | -BM25 + 向量 + 图(RRF 融合) | -向量 + 图 | -向量(归档) | -语义 | -向量 + RAG | -4 种资产类型(Chat / Skill / Wiki / CodeGraph) | -仅向量 | -向量 + 语义 | -衰减加权 | -将所有内容加载到上下文 | -
| 多代理 | -MCP + REST + 租约 + 信号 | -API(无协调) | -仅在 Letta 运行时内部 | -无 | -无 | -团队角色 + 共享资产 | -无 | -仅作用域 | -多代理共享 | -每代理一个文件 | -
| 框架锁定 | -无(任何 MCP 客户端) | -无 | -高(必须使用 Letta) | -独立 | -无 | -代理层截获每次模型调用 | -无 | -Oracle Database | -无 | -每代理格式 | -
| 外部依赖 | -无需独立数据库服务 | -Qdrant / pgvector | -Postgres + 向量数据库 | -多个 | -托管云 | -Docker 栈(Core + Hub + Proxy) | -向量存储 | -Oracle AI Database | -无 | -无 | -
| 记忆生命周期 | -4 层整合 + 衰减 + 自动遗忘 | -被动提取 | -代理管理 | -手动 | -自动遗忘 | -人工审核;自动路由开发中 | -无 | -未说明 | -衰减 + 整合 | -手动清理 | -
| Token 效率 | -~1,900 tokens/会话($10/年) | -依集成方式不同 | -核心记忆位于上下文 | -不定 | -云端定价 | -未说明 | -无 token 预算 | -LLM 支撑(不定) | -不定 | -240 条观测达 22K+ tokens | -
| 实时查看器 | -是(端口 3113) | -云端仪表板 | -云端仪表板 | -Web UI | -云端仪表板 | -Hub Web UI | -无 | -无 | -无 | -无 | -
| 自托管 | -是(默认) | -可选 | -可选 | -是 | -否(仅云端) | -是(Docker) | -是 | -是(Oracle DB) | -是 | -是 | -
benchmark/COMPARISON.md 复现)。mem0 和 Letta 的数字是它们公布的 LoCoMo 结果(不同数据集);MemPalace、supermemory、TencentDB(PersonaMem)和 oracleagentmemory 的数字是厂商自报、我们未独立复现的声明(oracleagentmemory 的测试使用 GPT-5.5 搭配 Oracle AI Database)。并列展示仅供粗略参考,并非同一数据上的正面对比。星标数为近似值且会随时间漂移。
-
-**值得了解的新入局者**,深入对比见 [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| 系统 | ⭐ | 切入角度 |
-|--------|---|-------|
-| Zep / Graphiti | 30K | 时间性知识图谱;已公布的时间性查询结果最强(LongMemEval 63.8%),但图谱是异步构建的,新事实可能滞后 |
-| Cognee | 30K | 文档到知识图谱的摄取,仅 Python,为结构化实体抽取而建,而非会话捕获 |
+产品与部署方式的最新对比及来源:
-AgentMemory 结合会话捕获、可搜索的项目历史和本地查看器,首次使用即可选择无密钥模式。
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -780,7 +572,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
启动记忆服务器:`npx -y @agentmemory/agentmemory@latest`
-#### 通过 `npx skills add` 安装原生 skills(50+ 代理)
+#### 通过 `npx skills add` 安装原生 skills
agentmemory 以 Claude-Code 风格的 `
-
| - -### 檢索準確率 - -**coding-agent-life-v1**(內部語料庫,可在沙箱中重現) - -| 配接器 | P@5 | R@5 | Top-5 命中率 | p50 延遲 | -|---|---|---|---|---| -| **agentmemory hybrid** | **0.240** | **1.000** | **15 / 15** | 14 ms | -| grep 基準線 | 0.227 | 0.967 | 15 / 15 | 0 ms | - -在此語料庫的 **P@5 數學上限**(0.240,見計分卡)下,達成 100% 的 Top-5 命中率。混合檢索(Hybrid)找回了每一個黃金會話;grep 在多會話時間性查詢上漏掉了 2 個黃金中的 1 個。這裡的提升在於**召回 + 時間性**,而非整體精確度。此基準測試規模小且黃金樣本稀疏;下方規模更大的 LongMemEval-S 更能看出差異。完整的依類型分解與更正說明請見:[`docs/benchmarks/2026-05-20-coding-agent-life-v1.md`](../docs/benchmarks/2026-05-20-coding-agent-life-v1.md)。 - -**LongMemEval-S**(ICLR 2025,500 個問題) +最新檢索結果、指標定義及重現步驟: -| 系統 | R@5 | R@10 | MRR | -|---|---|---|---| -| **agentmemory** | **95.2%** | **98.6%** | **88.2%** | -| 僅 BM25 回退 | 86.2% | 94.6% | 71.5% | - - | -- -### Token 節省 - -| 方法 | 每年 Token 數 | 每年成本 | -|---|---|---| -| 貼上完整上下文 | 19.5M+ | 不可行(超出上下文視窗) | -| LLM 摘要 | ~650K | ~$500 | -| **agentmemory** | **~170K** | **~$10** | -| agentmemory + 本地嵌入 | ~170K | **$0** | - - | -
| - | agentmemory | -mem0 (63K ⭐) | -Letta / MemGPT (24K ⭐) | -Khoj (36K ⭐) | -supermemory (29K ⭐) | -TencentDB Agent Memory (22K ⭐) | -MemPalace (54K ⭐) | -oracleagentmemory | -Hippo | -內建(CLAUDE.md) | -
|---|---|---|---|---|---|---|---|---|---|---|
| 類型 | -記憶引擎 + MCP 伺服器 | -記憶層 API | -完整代理執行階段 | -個人 AI | -記憶 API + 應用程式 | -團隊記憶中樞(LLM 代理層) | -向量記憶(開源) | -記憶引擎(Oracle DB) | -記憶系統 | -靜態檔案 | -
| 檢索 R@5 | -95.2% | -68.5% (LoCoMo) | -83.2% (LoCoMo) | -N/A | -自行回報 | -PersonaMem 76%(自行回報) | -~96.6%(自行回報) | -94.4%(自行回報) | -N/A | -N/A(grep) | -
| 自動捕捉 | -12 hooks(零人工) | -手動呼叫 add() |
-代理自行編輯 | -手動 | -API 端擷取 | -代理攔截(替換 base-URL) | -手動 | -API 擷取 | -手動 | -手動編輯 | -
| 搜尋 | -BM25 + 向量 + 圖(RRF 融合) | -向量 + 圖 | -向量(封存) | -語意 | -向量 + RAG | -4 種資產類型(Chat / Skill / Wiki / CodeGraph) | -僅向量 | -向量 + 語意 | -衰減加權 | -把所有內容都載入上下文 | -
| 多代理 | -MCP + REST + 租約 + 訊號 | -API(無協調機制) | -僅限於 Letta 執行階段內 | -否 | -否 | -團隊角色 + 共享資產 | -否 | -僅限範圍內 | -多代理共享 | -每個代理各自的檔案 | -
| 框架綁定 | -無(任何 MCP 客戶端) | -無 | -高(必須使用 Letta) | -獨立 | -無 | -代理層攔截每一次模型呼叫 | -無 | -Oracle Database | -無 | -每個代理各自的格式 | -
| 外部相依元件 | -不需要獨立資料庫服務 | -Qdrant / pgvector | -Postgres + 向量資料庫 | -多種 | -託管雲端 | -Docker 堆疊(Core + Hub + Proxy) | -向量儲存 | -Oracle AI Database | -無 | -無 | -
| 記憶生命週期 | -4 層整合 + 衰減 + 自動遺忘 | -被動擷取 | -由代理管理 | -手動 | -自動遺忘 | -手動審查;自動路由功能開發中 | -無 | -未說明 | -衰減 + 整合 | -手動清理 | -
| Token 效率 | -每會話約 1,900 個 token(每年 $10) | -依整合方式而異 | -核心記憶留在上下文中 | -依情況而異 | -雲端計價 | -未說明 | -無 token 預算 | -由 LLM 驅動(依情況而異) | -依情況而異 | -240 條觀測達 22K+ tokens | -
| 即時檢視器 | -有(連接埠 3113) | -雲端儀表板 | -雲端儀表板 | -網頁介面 | -雲端儀表板 | -Hub 網頁介面 | -無 | -無 | -無 | -無 | -
| 自行架設 | -有(預設) | -可選 | -可選 | -有 | -無(僅限雲端) | -有(Docker) | -有 | -有(Oracle DB) | -有 | -有 | -
benchmark/COMPARISON.md 重現)。mem0 和 Letta 的數字是它們公開發表的 LoCoMo 數據(屬於不同的資料集);MemPalace、supermemory、TencentDB(PersonaMem)和 oracleagentmemory 的數字是廠商自行回報、我們尚未獨立重現的宣稱(oracleagentmemory 的測試使用 GPT-5.5 對上 Oracle AI Database)。並列呈現僅供大致參考,並非在相同資料上的正面對比。星數為近似值,會隨時間變動。
-
-值得關注的**新進者**,詳細比較見 [`benchmark/COMPARISON.md`](../benchmark/COMPARISON.md):
-
-| 系統 | ⭐ | 切入點 |
-|--------|---|-------|
-| Zep / Graphiti | 30K | 時間性知識圖譜;已發表的時間性查詢結果最強(LongMemEval 63.8%),但圖是非同步建構,因此最新事實可能有延遲 |
-| Cognee | 30K | 文件到知識圖譜的擷取,僅支援 Python,專為結構化實體擷取而設計,而非會話捕捉 |
+產品與部署方式的最新比較及來源:
-AgentMemory 結合工作階段捕捉、可搜尋的專案歷史和本機檢視器,首次使用即可選擇免金鑰模式。
+[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
@@ -778,7 +570,7 @@ Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localho
啟動記憶伺服器:`npx -y @agentmemory/agentmemory@latest`
-#### 透過 `npx skills add` 使用原生 skills(50+ 代理)
+#### 透過 `npx skills add` 使用原生 skills
agentmemory 以 Claude-Code 風格的 `| Mode | -R@5 | -R@10 | -R@20 | -NDCG@10 | -MRR | -
|---|---|---|---|---|---|
| {r.name} | -{pct(r.d.r5)} | -{pct(r.d.r10)} | -{pct(r.d.r20)} | -{pct(r.d.ndcg10)} | -{pct(r.d.mrr)} | -
- Adding local vectors to BM25 lifts R@5 from {pct(LONGMEMEVAL.bm25.r5)} to {pct(LONGMEMEVAL.hybrid.r5)}.{" "}
-
| Type | -Questions | -R@5 | -R@10 | -Found at top 5 | -
|---|---|---|---|---|
| {t.type} | -{t.count} | -{pct(t.r5)} | -{pct(t.r10)} | -- {TYPE_HITS.find((h) => h.type === t.type)?.hits[5]} of {t.count} - | -
- Preferences are the hardest type: they depend on implicit statements, and R@5 is {pct(LONGMEMEVAL.byType[5].r5)}. - Knowledge updates and multi-session questions are the strongest. -
- -- A smaller labeled set of coding-session observations: {TOKEN_SETUP.observations} observations across{" "} - {TOKEN_SETUP.sessions} sessions and {TOKEN_SETUP.queries} queries, with {TOKEN_SETUP.model}. The baseline loads - every observation into the prompt. -
-| Mode | -R@5 | -R@10 | -P@5 | -NDCG@10 | -MRR | -Tokens | -
|---|---|---|---|---|---|---|
| {r.name} | -{pct(r.r5)} | -{pct(r.r10)} | -{pct(r.p5)} | -{pct(r.ndcg)} | -{pct(r.mrr)} | -{r.tokens.toLocaleString("en-US")} | -
- {TOKENS.agentmemory.toLocaleString("en-US")} tokens instead of {TOKENS.fullContext.toLocaleString("en-US")} is{" "}
- {TOKENS.savedPct}% fewer, with higher precision, measured on v0.6.0.{" "}
-
- The cost bench runs the built package in an isolated home, captures N observations, kills the whole process - tree with SIGKILL, boots it again and checks that nothing was lost. -
-
-
- The cost bench checks each run against these ceilings. They were derived from repeated runs, taking the worst run plus - headroom, so they are upper limits rather than typical values, and they depend on the machine that runs them. - The embed profile uses 768-dimension vectors. -
-| Profile | -Observations | -Hook p95 | -Index ready after kill | -Disk per observation | -Idle memory | -Search tokens p50 | -
|---|---|---|---|---|---|---|
| {b.profile} | -{b.n.toLocaleString("en-US")} | -{b.hookP95Ms} ms | -{sec(b.recoveryIndexReadyMs)} | -{kib(b.diskPerObsBytes)} | -{mib(b.idleRssKiB)} | -{b.searchTokensP50} | -
-
Retrieval, from the repository root, after downloading the dataset:
-
- {`${REPRODUCE.download}\n\n${REPRODUCE.bm25}\n${REPRODUCE.hybrid}`}
-
- Costs and crash recovery, against the built package:
-
- {REPRODUCE.costs}
-
-
- Scripts:
Strict recall-all@5 requires every gold source session in the first five distinct results. Fractional recall measures how much of the required evidence was found. Any-hit needs just one source.
+Each question builds a fresh index over its supplied sessions. This run tests the production BM25 SearchIndex and a token-overlap grep baseline. It does not run the daemon, capture hooks, compression, vectors, graph or an answer-generating model.
+{summary.longmemeval} Unanswerable questions count toward coverage, but have no retrieval score; abstention quality is not measured.
+{summary.multiSession} Finding one relevant session can still leave an answer without all its evidence.
+Full report, per-type results, manifests and compressed per-question receipts.
+ +| Adapter | Strict recall-all@5 | Completed | Failures |
|---|---|---|---|
| {ADAPTER_LABELS[adapter]} | {percent(r.recallAll)} | {r.completed}/{r.n} | {r.failed} |
{summary.coding} This small fixture is useful regression coverage, not evidence that a system wins across coding workloads.
+ +From the repository root with dependencies installed, download the pinned public dataset:
+{REPRODUCE.download}
+ Expected SHA256: d6f21ea9d60a0d56f34a05b609c79c88a451d2ae03597821ea3d5a9678c3a442.
{`${REPRODUCE.retrieval}\n${REPRODUCE.coding}`}
+ The loader strips answer labels, uses opaque IDs, retains dates and coalesces 13 identical repeated distractor IDs. See the evaluation guide for the complete input and scoring contract.
+ +0.9.31 adds scoped saved-memory recall, incremental summaries, paged exports, validated imports and native Pi, OMP and DeepSeek Harness integrations, alongside compression and recovery fixes. Release notes.
+Lifecycle and packaged startup/restart behavior are checked separately by the live evaluation suites and release gate. The component results above do not certify those paths or establish a speedup over the previous release.
+ +We have not run a matched evaluation of the other memory products. Compare products by deployment and use case; answer accuracy, retrieval recall and token use require different measurements.
+
- What it stores. Memories, and the agent activity you choose to capture, are saved in a data folder on your machine, for example{" "}
+ What it stores. Memories, and the agent activity you choose to capture, are saved in a data folder on your machine by default, for example{" "}
~/Library/Application Support/agentmemory on macOS. You can export or delete them at any time.
- What leaves your machine. Nothing, unless you configure it. If you add an LLM or embedding - provider, agentmemory sends that provider the text it needs, under the provider's own privacy policy. Local - embeddings send nothing. + What leaves your machine. Memory text stays local with local storage and keyless search or local models. + Keyless search does not guarantee local storage: a configured remote Redis backend stores memory records remotely. + Configured remote services receive the text they process, under their own privacy policies. + Installation, updates and the first local model download require network access.
Telemetry. None. diff --git a/website/app/vs/[slug]/page.tsx b/website/app/vs/[slug]/page.tsx index 7e11eafdf1..15780f1390 100644 --- a/website/app/vs/[slug]/page.tsx +++ b/website/app/vs/[slug]/page.tsx @@ -72,8 +72,7 @@ export default async function Page({ params }: { params: Promise<{ slug: string
- Benchmark figures are each project's own published results. Different benchmarks, metrics and harnesses are - not directly comparable. + No competitor was run in our current evaluation. Product capabilities are sourced separately; compare scores only with matched datasets, metrics and configurations.
- agentmemory connect {agent.connect}
-
+ {cmd}
- Switch agents mid-project and the memory comes with you. Every agent below reads and writes the same store on - your machine. + Switch agents mid-project and the memory comes with you. Every agent below reads and writes the same memory store.
{groups.map((g) => ( diff --git a/website/components/site/BenchFigures.tsx b/website/components/site/BenchFigures.tsx index 80a1a71e13..164477423e 100644 --- a/website/components/site/BenchFigures.tsx +++ b/website/components/site/BenchFigures.tsx @@ -1,8 +1,7 @@ "use client"; import { useEffect, useRef, useState, type CSSProperties } from "react"; -import { LONGMEMEVAL } from "@/lib/site"; -import { TYPE_HITS, totalHits, type K } from "@/lib/bench"; +import { ADAPTERS, ADAPTER_LABELS, EVALUATION, TYPE_HITS, totalHits, percent, type Adapter } from "@/lib/bench"; import s from "./Benchmarks.module.css"; function useInView