Brain-AI Memory – Uzun süre çalışan LLM ajanlarında bellek hatalarını teşhis eden açık mimari

Ajanların eski anıları kullanması, zaten kaydettiği şeyleri tekrar sorması, kuralları görmezden gelmesi veya fallback prosedürünü yarıda bırakması gibi sorunların hepsini “retrieval sorunu” olarak görmek, nedeni bulmayı zorlaştırır.
Brain-AI Memory; RAG, hook, guard, harness ve loop’u yeni adlarla adlandıran bir proje değildir. Bunları episodic·semantic memory, procedural rule·execution, numerical state, routing ve input gate olarak ayırır; her birinin hata koşullarını ve lifecycle’ını birbirine bağlar.
Birkaç ay boyunca gerçek bir multi-project agent system’de kullanılan yapıyı clean-room yöntemiyle yayımladık. 60 saniyelik çalıştırma örneği, yeniden kullanılabilir hook ve memory template’leri, operasyonel gerekçe ve 500 soruluk LongMemEval-S retrieval sonuçlarını içerir.
Benchmark’ın olumsuz sonuçlarını da olduğu gibi yayımladık. 96-keyword pointer, indexed text’i %93 azalttı; ancak recall@3, full BM25’in %86,1’inden %71,0’e düştü.
Özellikle gerçek agent failure’larının bu component mapping’e ne kadar iyi uyduğu ve nerelerde uymadığı konusunda geri bildirim almak istiyoruz.

[gkgusdl4]

Türkçe README:
https://github.com/Hahyun-Lee/brain-ai-memory/blob/main/README.ko.md

60 saniyede çalıştırma:
git clone https://github.com/Hahyun-Lee/brain-ai-memory.git
cd brain-ai-memory
python3 examples/01_guard_in_action.py
python3 examples/02_lifecycle_decision.py

Özellikle iki konuda geri bildiriminizi merak ediyorum.

1. Gerçek uzun süre çalışan agent'lardaki failure'lar bu component mapping ile yeterince ayrıştırılabiliyor mu?
2. Gerçek benimsenme için daha çok hangisi gerekli: installable reference implementation mı, yoksa end-to-end QA benchmark mı?