OptMem predlaže namjerno malu implementaciju trajne memorije za AI agente: jedna Python datoteka, šest naredbi, bez runtime dependencyja i blok uputa od 426 tokena koji se dodaje u AGENTS.md ili CLAUDE.md.

Ta jednostavnost nije samo način pakiranja. Ona je cijela ideja projekta.

Repozitorij je otvoren 25. srpnja 2026. Tri dana poslije prešao je 680 GitHub zvjezdica. Pregledali smo implementaciju, testove, javne rasprave iz posljednjih 30 dana i smjer aktualnih istraživanja memorije za agente.

Naš je zaključak namjerno uzak. OptMem je neobično jasna lokalna komponenta za memoriju. Još nije pouzdan context sustav za software tim.

Kako OptMem radi

Agent započinje session naredbom memo wake. Tijekom rada zapisuje kratke memorije pomoću memo note. Svaki zapis ima jedan red i najviše 280 znakova.

Zapisi završavaju u fixed-width, append-only datoteci LOG.txt. Pozicija zapisa ujedno je njegov identitet, pa ga program nalazi izravnim seekom bez održavanja indeksa u bazi.

Kako log raste, memo nap traži od agenta da parove starijih zapisa spoji u sažetak od jednog reda. Ti sažeci tvore binarno stablo:

  • nedavne memorije ostaju detaljne;
  • stariji parovi postaju jedan sažetak;
  • još starije grupe postaju sve grublje;
  • wake vraća fiksni reading budget umjesto povijesti koja stalno raste.

Defaultni wake budget iznosi približno 16.000 tokena. To ne znači da OptMem sprema samo 16.000 tokena. Potpuni zapisani log ostaje na disku, a agent dobiva ograničen hijerarhijski prikaz.

Dvije naredbe omogućuju povratak ispod kompresije. memo recall pretražuje sve zapisane memorije regularnim izrazom, a memo zoom otvara sažetak u njegova dva djeteta. Ako je sažetak loš, memo forget uklanja izvedenu granu kako bi se mogla ponovno izgraditi iz loga.

Ništa se ne izvršava u pozadini. Skripta govori agentu kada treba napraviti merge, a agent eksplicitno odrađuje kompresiju.

Što je OptMem dobro riješio

Izvedena memorija može se ponovno izgraditi

Append-only log je kanonski zapis. Sažeci u stablu su cache. Brisanje stabla ne briše zapisane memorije.

To je dobra granica. Search indeksi, sažeci i druge retrieval projekcije trebaju biti zamjenjivi bez prepisivanja njihova izvora.

Implementacija se može pregledati

Izvršna datoteka ima 859 redaka Pythona i koristi standardnu biblioteku. Test suite je velik u odnosu na samu implementaciju. Provjerava tisuće sintetičkih memorija, pokrivenost stabla, popravak nepotpunih zapisa, greške konfiguracije, paralelne writere, limite outputa i lockove na različitim platformama.

Senior inženjer može pročitati cijeli mehanizam bez prethodnog učenja frameworka.

Trošak konteksta ostaje ograničen

Dugi agent sessioni često biraju između dvije loše opcije: šalju potpunu povijest dok više ne stane ili je zamijene jednim neprozirnim sažetkom.

OptMem zadržava nedavne detalje i postupno smanjuje rezoluciju s udaljenošću u vremenu. To je korisniji default od tretiranja svakog događaja kao jednako važnog zauvijek.

Memorija nije vezana uz jednog AI vendora

Memorija živi u običnim datotekama i aktivira se kratkim blokom uputa. Može se premještati između Codexa, Claude Codea i drugih agenata koji koriste alate bez migracije vector storea ili prihvaćanja cijelog agent frameworka.

Gdje OptMem prestaje biti dovoljan

Raw log nije izvorni evidence

OptMem točno čuva svaku memory bilješku koju je agent zapisao. Ne čuva automatski razgovor, dokument, ticket, commit ili opažanje zbog kojeg je agent tu bilješku napravio.

Ta je razlika važna. Redak poput “produkcijski cache koristi TTL od 15 minuta” može biti ispravna odluka, zastarjela pretpostavka ili inference. OptMem sprema redak, ali nema record type za tu razliku ni source pointer kojim ga reviewer može provjeriti.

Log je kanonski za OptMem. Ne mora biti kanonski za činjenicu koju opisuje.

Kvaliteta kompresije ovisi o agentu

Python program određuje kada treba napraviti merge, ali language model piše sažetak. Loš merge može ukloniti razliku koja će kasnije promijeniti odluku.

Raw bilješke ostaju dostupne kroz recall i zoom, što ograničava štetu. Sustav ipak nema eval loop koji mjeri preživljavaju li važne činjenice ponovljenu kompresiju.

Test suite provjerava storage i tree invarijante. Ne mjeri kvalitetu memorije na dugotrajnim inženjerskim zadacima.

Recall je leksički

memo recall koristi regularne izraze nad zapisanim redovima. Brz je, transparentan i predvidljiv. Istodobno traži da onaj tko pretražuje upotrijebi riječi koje se već nalaze u memoriji.

Nema semantičkog retrievala, source rankinga, pravila svježine ni rješavanja konflikta. Ti su izostanci razumni za malen lokalni alat, ali postaju vidljivi kada memory store sadrži godine odluka.

Access model je lokalni filesystem

OptMem nema workspace uloge, dozvole po izvoru, scoped ključeve, retention policy ni audit trail retrievala. Svaki proces koji može čitati memory direktorij može čitati memoriju.

Zbog toga odgovara kontroliranom osobnom okruženju. Nije dovoljan za zajednički project context ili osjetljive poslovne podatke.

Repozitorij trenutačno nema licencu

U trenutku ove analize javni GitHub repozitorij ne navodi software licencu.

Javno dostupan source ne daje automatski open-source dopuštenja. Tim može pregledati i evaluirati ideju, ali ne bi trebao pretpostaviti da smije redistribuirati, mijenjati ili uključiti kod u svoj proizvod dok autor ne objavi jasne licencne uvjete.

Prednosti i nedostaci

Prednosti

  • jedna prenosiva Python datoteka bez vanjskih runtime dependencyja;
  • append-only zapisana memorija i sažeci koji se mogu ponovno izgraditi;
  • fiksni context budget s više detalja blizu sadašnjosti;
  • eksplicitna navigacija prema starijim raw bilješkama;
  • bez vector baze, embedding modela, servera i background procesa;
  • smisleni testovi za storage, concurrency, repair i limite outputa.

Nedostaci

  • zapisane memorije nisu isto što i sačuvani source evidence;
  • agent odlučuje što treba zapisati i piše svaki komprimirani sažetak;
  • zapisi od 280 znakova izravnavaju složene odluke i provenance;
  • leksički recall propušta semantički srodne formulacije;
  • nema dozvola, statusa pregledane činjenice, inference tipa, povijesti korekcija ni timske granice;
  • nema neovisnog benchmarka kvalitete odluka nakon ponovljene kompresije;
  • u trenutku objave nema navedenu software licencu.

Kako se OptMem uklapa u HILLS Lab model konteksta

Naš Trustworthy Agent Memory guide odvaja evidence, činjenice, inference, korekcije, retrieval projekcije i access policy.

OptMem se dobro poklapa s dva dijela tog modela:

  1. izvedeni sažeci trebaju biti rebuildable;
  2. agentima treba ograničen radni kontekst umjesto neograničenog transcripta.

Ne implementira ostale trust granice. Njegov raw log počinje tek nakon što je agent već interpretirao događaj i odlučio što će zapisati.

Memoato za osobnu memoriju bira drukčiji put. Prvo čuva izvorni unos, pregledane činjenice sprema odvojeno i vanjski recall stavlja iza scoped ključeva. OptMem je znatno manji i lakše ga je prenositi između coding agenata. Memoato zadržava više strukture jer odgovara na drukčije pitanje povjerenja.

Te dvije ideje mogu raditi zajedno. OptMem može agentu dati kompaktan working memory, dok odvojeni evidence store ostaje autoritativan.

Naš sud

OptMem vrijedi proučiti jer odbija nepotrebnu infrastrukturu. Njegov najbolji doprinos nije tvrdnja da 426 tokena rješava memoriju. Pokazuje da koristan memory loop može ostati lokalan, pregledan, ograničen i rebuildable.

Koristili bismo ga za kontinuitet osobnog coding agenta, privremena research okruženja ili project bilješke niskog rizika nakon rješavanja pitanja licence.

Ne bismo ga koristili kao jedini memory sloj za produkcijske odluke, zajedničko znanje tima, regulirane podatke ili workflow u kojem dohvaćena tvrdnja mora nositi svoj izvor i povijest dozvola.

Sljedeći koristan dokaz bio bi javni eval: ponovljena kompresija kroz dug inženjerski projekt, mjerenje na pitanjima koja mijenjaju odluke i objavljeni failure caseovi uz rezultat.

Ako gradite memoriju i kontekst oko vlastitog inženjerskog workflowa, javite se HILLS Labu.