Aegis Memory: Memori persisten yang aman untuk agen yang diaktifkan MCP
Aegis Memory, dari Quantify Labs, adalah infrastruktur memori sumber terbuka untuk MCP yang memberikan agen AI konteks yang persisten dan dapat diverifikasi di seluruh sesi. Alat ini menyimpan memori jangka panjang dan mengekspos pencarian semantik melalui embedding vektor sehingga agen dapat mengambil interaksi masa lalu yang relevan berdasarkan makna daripada kata kunci. Ini juga menegakkan kontrol akses terarah dan pemeriksaan integritas kriptografis, memungkinkan pemisahan data pengguna dan multi-agen yang aman. Pengembang dan peneliti yang membangun sistem multi-agen mendapatkan lapisan memori yang terstandarisasi dan berfokus pada keamanan untuk mendukung perilaku agen yang dipersonalisasi dan auditabilitas.
Tugas apa yang sebenarnya dapat Anda gunakan untuk itu?
aegis-memory berfungsi sebagai penyimpanan konteks yang persisten untuk agen, yang dimaksudkan untuk menyimpan informasi di seluruh restart sesi dan reset jendela konteks. Ini mendukung pengambilan semantik menggunakan embedding vektor sehingga agen mengambil interaksi sebelumnya berdasarkan makna daripada istilah yang tepat. Pola tugas yang umum termasuk:
- Augmentasi prompt kontekstual untuk LLMs
- Koordinasi agen multi-putaran
- Refleksi diri dan pemungutan suara berbasis ACE
Ini adalah MCP-native, memungkinkan koneksi dengan klien yang mendukung MCP.
Seberapa akurat dan dapat diverifikasi memori yang diambil?
Konteks yang disimpan mencakup kontrol integritas melalui hashing kriptografis dan aturan pembaruan berbasis kepercayaan, yang mencatat bagaimana entri berubah dan mempertahankan konsistensi. Pencarian semantik mengembalikan kecocokan embedding tetangga terdekat, sehingga relevansi pengambilan bergantung pada generasi embedding dan konfigurasi indeks. Desain itu memberikan asal yang dapat diverifikasi untuk item yang diingat, sementara presisi pengambilan bervariasi dengan kualitas embedding dan pilihan indeks vektor yang digunakan selama penerapan.
Input dan hosting apa yang dibutuhkan?
Server mengekspos endpoint MCP dan mengharapkan infrastruktur standar. Implementasi dirancang untuk self-hosting pada tumpukan menggunakan Docker dan PostgreSQL dengan ekstensi pgvector untuk penyimpanan semantik. Klien harus berbicara Protokol Konteks Model untuk terhubung. Oleh karena itu, penerapan melibatkan migrasi basis data, manajemen indeks vektor, dan tanggung jawab hosting yang khas sebagai bagian dari pengaturan produksi.
Apakah ini praktis untuk alur kerja pengembang dan penelitian?
Alat ini menargetkan insinyur dan peneliti yang membangun sistem multi-agen yang membutuhkan kontrol akses yang terukur dan perilaku memori yang adaptif. Ini terintegrasi dengan kerangka agen seperti CrewAI dan LangChain dan menerapkan pola ACE untuk memungkinkan agen melakukan refleksi dan pemungutan suara. Adopsi mengasumsikan keterlibatan pengembang untuk hierarki kepercayaan dan tata kelola, sehingga tim yang fokus pada auditabilitas dan koordinasi agen menemukan ini sejalan dengan kebutuhan alur kerja tersebut.
Terbaik untuk tim yang lebih suka alat yang dipimpin repositori terbuka
Proyek ini didistribusikan melalui GitHub dan PyPI dan dihargai di kalangan pengembang sebagai alternatif siap produksi untuk layanan memori proprietary. Untuk tim yang lebih suka alat yang dihosting secara terbuka dan telah diverifikasi oleh komunitas, posisi ini menjadikannya pilihan yang masuk akal. Organisasi yang memerlukan layanan yang dikelola vendor harus membandingkan alternatif, karena pendekatan repositori-pertama proyek ini sejalan dengan proses integrasi dan tinjauan yang dipimpin pengembang, serta harapan dukungan komunitas.
