YourMemory

У вашего ИИ память, как у золотой рыбки. Больше нет.

Постоянная, само-улучшающаяся память для AI-агентов — построенная на науке о том, как люди запоминают.

▶ Попробовать интерактивное демо · Веб-сайт · Бенчмарки

Проблема

Каждое утро ваш AI-агент ведёт себя так, будто видит вас впервые. Один и тот же контекст объясняется заново. Одни и те же предпочтения забываются. Каждый сеанс начинается с нуля.

Большинство инструментов «памяти» просто прикручивают векторную базу данных к агенту и называют это готовым решением — но это всего лишь хранилище. Оно накапливает почти дублирующуюся информацию, пока поиск не утонет в шуме. Золотая рыбка с большей миской.

YourMemory — это иное: память, работающая как мозг, а не как база данных.

flowchart LR
    A["🧠 Вы говорите<br/>своему ИИ"] --> B["Извлечь устойчивые<br/>факты"]
    B --> C["Дедупликация + эмбеддинг<br/>+ графовые связи"]
    C --> D[("Хранилище<br/>памяти")]
    D -->|"родственные факты накапливаются"| E["✨ Консолидация<br/>N → 1 сводка"]
    D -->|"устаревшие+неиспользуемые"| F["📉 Затухание<br/>+ обрезка"]
    D -->|"новый сеанс"| G["♻️ Воспроизведение<br/>гибрид + граф"]
    E --> D
    G --> H["🤖 Ваш агент<br/>продолжает с того<br/>места, где остановился"]
    style D fill:#0a2540,stroke:#19cdff,color:#fff
    style E fill:#0c2b3a,stroke:#5eead4,color:#fff
    style H fill:#0c2b3a,stroke:#19cdff,color:#fff

✨ Что делает его особенным

Одна команда для установки. DuckDB по умолчанию (без настройки), Postgres + pgvector для команд.

Содержание

• 🏆 Бенчмарки
• 🚀 Быстрый старт
• 🧠 Как работает память
  • Консолидация
  • Затухание
  • Гибридное воспроизведение
• 🔒 Доверие и цепочка аудита
• 👥 Командные пулы памяти
• 🛡️ Права на данные и соответствие
• 🎛️ Панели управления
• 🔧 MCP-инструменты
• ⚡ Запрос без вызова LLM
• 🔀 API-прокси — гарантированная память
• 🏗️ Архитектура и стек
• 🩺 Устранение неполадок
• 🤝 Вклад в проект

🏆 Бенчмарки

Три внешних набора данных. Каждое число можно независимо воспроизвести — код бенчмарков в репозитории. Полная методология в BENCHMARKS.md.

LoCoMo-10 — долгосрочная память из нескольких сеансов

xychart-beta
    title "Recall@5 · LoCoMo-10 (чем выше, тем лучше)"
    x-axis ["Mem0", "Zep Cloud", "Supermemory", "YourMemory"]
    y-axis "Recall@5 percent" 0 --> 70
    bar [18, 28, 31, 59]

Качество воспроизведения в 2 раза выше, чем у Zep Cloud по всем 10 выборкам. *Supermemory и Mem0 исчерпали квоты бесплатного тарифа в середине бенчмарка; показатели вычислены по всем 1 534 парам.

LongMemEval-S — 500 вопросов, ~53 отвлекающих сеанса на каждый

Самый сложный стандартный бенчмарк для долгосрочной памяти. Каждый вопрос «зарыт» в ~53 сеансах.

HotpotQA — 200 вопросов с несколькими переходами

Графовые связи добавляют +12 процентных пунктов — они переходят от факта 1 к факту 2, даже если эмбеддинговое сходство факта 2 с запросом невелико.

Статья: Я построил затухание памяти для AI-агентов на основе кривой забывания Эббингауза

🚀 Быстрый старт

Python 3.11–3.14. Не требуется Docker или настройка базы данных. Вся память хранится локально в ~/.yourmemory/.

pip install yourmemory
yourmemory-register <your-token>
yourmemory-setup

Получите ваш токен: посетите yourmemoryai.xyz → введите email → подтвердите 6-значным кодом → скопируйте токен.

yourmemory-setup автоматически обнаруживает и настраивает Claude Code, Claude Desktop, Cursor, Windsurf и Cline, затем спрашивает, какой бэкенд использовать:

• DuckDB — без настройки, один локальный файл (по умолчанию)
• Postgres — общий / для продакшена; требуется DATABASE_URL (нужно расширение pgvector)

Опционально — более интеллектуальное локальное извлечение: YourMemory работает из коробки со встроенными эвристиками. Для более качественного, полностью локального извлечения фактов установите Ollama — yourmemory-setup загрузит модель (qwen2.5:7b, ~4,7 ГБ) автоматически. Предпочитаете облако? Установите YOURMEMORY_EXTRACT_BACKEND=anthropic.

Или установите из бинарного файла — Python не требуется

Не хотите возиться с pip? Загрузите готовый бинарник для вашей платформы из последнего релиза:

# macOS / Linux — скачать, распаковать, запустить
tar -xzf yourmemory-macos-arm64.tar.gz
./yourmemory-macos-arm64 register <your-token>
./yourmemory-macos-arm64 setup
./yourmemory-macos-arm64            # запустить сервер

Один исполняемый файл обрабатывает все команды: register, setup, ask "<question>", path и (без аргументов) запускает сервер.

Полностью самодостаточен и работает офлайн — бинарник содержит Python, все зависимости и обе ML-модели (модель эмбеддингов + spaCy). Ничего не загружается при первом запуске. Платой за это является размер (~2 ГБ). Соберите свой собственный одной командой — ./build-binary.sh — а многоплатформенные релизные бинарники создаются автоматически рабочим процессом сборки.

🧠 Как работает память

YourMemory рассматривает память как живую систему — она растёт, консолидируется, забывает и соединяется, как мозг.

Консолидация — N → 1

Большинство инструментов памяти просто продолжают расти. YourMemory отслеживает кластеры связанных фактов и, когда их накапливается достаточно, сжимает их в одну чистую сводку, архивируя оригиналы (никогда не удаляет, так что ничего не теряется).

flowchart LR
    subgraph before [Связанные факты накапливаются]
        A1["Railway использует Nixpacks"]
        A2["Railway на Pro плане"]
        A3["Переменные окружения Railway содержат URL Postgres"]
        A4["Развёртывается на Railway с Postgres"]
    end
    before --> C{"кластеризация +<br/>LLM суммаризация"}
    C --> S["✨ Сводка<br/>Развёртывается на Railway (Pro,<br/>Nixpacks) с Postgres<br/>через переменные окружения"]
    C -.->|"архивировано, можно восстановить"| ARC[("архив")]
    style S fill:#0a2540,stroke:#5eead4,color:#fff
    style C fill:#0c2b3a,stroke:#19cdff,color:#fff

Реальный пример из одного продакшен-хранилища: 444 воспоминания → 16 сводок — те же знания, а шума гораздо меньше. Консолидация событийно-управляемая (запускается, когда накапливаются связанные воспоминания), а не слепая ночная задача.

Затухание — кривая забывания

Сила памяти затухает экспоненциально. Важность и частота воспроизведения замедляют это затухание:

effective_λ  = base_λ × (1 − importance × 0.8)
strength     = clamp(importance × e^(−effective_λ × active_days) × (1 + recall_count × 0.2), 0, 1)

active_days учитывает только дни, когда вы были активны — отпуск не вызывает потерю памяти. Воспоминания с силой ниже 0.05 автоматически обрезаются. Каждая категория имеет свою скорость старения:

Обрезка с учётом графа: затухающее воспоминание сохраняется, если какой-либо его сосед по графу всё ещё силён — нагрузочный контекст выживает, даже если его редко запрашивают напрямую.

Гибридное воспроизведение — Вектор + BM25 + Граф

Воспроизведение проходит в два раунда, чтобы выявить как то, о чём вы спросили, так и то, о чём вы забыли спросить:

flowchart LR
    Q["запрос"] --> R1["Гибридный поиск<br/>Vector + BM25"]
    R1 --> R2["Расширение по графу<br/>(то, о чём вы забыли спросить)"]
    R2 --> S["ранжирование по<br/>сходству × силе"]
    S --> OUT["🎯 Ранжированные воспоминания"]
    style OUT fill:#0a2540,stroke:#19cdff,color:#fff

Дедупликация с учётом субъекта выполняется перед каждым сохранением — она встраивает субъект каждого предложения, так что "Sachit использует DuckDB" и "YourMemory использует DuckDB" остаются раздельными (разные сущности), а "YourMemory использует DuckDB" и "YourMemory хранит данные в DuckDB" объединяются (та же сущность). Нет жёстко заданных списков слов; работает для любого языка.

🔒 Доверие и цепочка аудита

Предприятия не позволят непрозрачному чёрному ящику хранить их данные. Поэтому каждая операция — чтение, запись, обновление, удаление, консолидация — добавляется в хэш-сцеплённый, защищённый от подделки журнал аудита.

flowchart LR
    E0["GENESIS"] --> E1
    subgraph E1 [Событие 1]
        H1["row_hash =<br/>sha256(prev + data)"]
    end
    E1 --> E2
    subgraph E2 [Событие 2]
        H2["row_hash =<br/>sha256(#1.hash + data)"]
    end
    E2 --> E3
    subgraph E3 [Событие 3]
        H3["row_hash =<br/>sha256(#2.hash + data)"]
    end
    E3 --> V{"GET /audit/verify"}
    V -->|цепочка цела| OK["✅ проверено"]
    V -->|любая строка изменена| BAD["❌ цепочка разорвана<br/>на этой строке"]
    style OK fill:#0a2540,stroke:#5eead4,color:#fff
    style BAD fill:#3a0c14,stroke:#fb7185,color:#fff

Каждая строка содержит временную метку, пользователя-агента, действие, операцию, целевую память, источник (http или mcp) и хэш предыдущей строки. Измените любую историческую запись — и verify_chain() укажет точное место разрыва цепочки.

GET  /audit            # просмотр журнала (фильтр по пользователю / действию / операции)
GET  /audit/verify     # криптографическая проверка целостности цепочки
POST /audit/prune      # очистка на основе хранения (минимум 90 дней, не меньше)

Журналирование аудита работает по принципу «fail-open» — оно никогда не блокирует операции с памятью — а события чтения/списка из собственного цикла рендеринга панели управления исключены, чтобы журнал оставался сигналом, а не шумом.

👥 Командные пулы памяти

Дайте агентам всей команды один общий мозг — без утечки чьего-либо приватного контекста. Воспоминания могут быть общими (видны всему пулу) или приватными (видны только владельцу).

flowchart TB
    P(("🧠 Командный пул<br/>общая память"))
    A["Агент Алисы"] <-->|shared| P
    B["Агент Боба"] <-->|shared| P
    C["Агент Кэрол"] <-->|shared| P
    A -. private .-> AP["🔒 Только Алиса"]
    B -. private .-> BP["🔒 Только Боб"]
    style P fill:#0a2540,stroke:#19cdff,color:#fff
    style AP fill:#0c1424,stroke:#5a6b80,color:#8294a8
    style BP fill:#0c1424,stroke:#5a6b80,color:#8294a8

Доступ на основе ролей обеспечивается для каждого агента — то, что узнаёт агент одного инженера, мгновенно становится доступным всей команде; конфиденциальный контекст остаётся в пределах владельца.

POST   /pools                          # создать пул
POST   /pools/{id}/members             # добавить участника (с ролью)
POST   /pools/{id}/memories            # внести общее воспоминание
POST   /pools/{id}/retrieve            # воспроизвести по всему пулу

🛡️ Права на данные и соответствие

Поскольку память, хранящая реальные данные, нуждается в контролях, чтобы ей можно было доверять:

В сочетании с хэш-сцеплённой цепочкой аудита и минимальным сроком хранения 90 дней это напрямую соответствует контролям, описанным в SECURITY.md (SOC 2).

🎛️ Панели управления

Две встроенные браузерные панели — не требуют дополнительной настройки, запускаются автоматически вместе с сервером.

Панель памяти — http://localhost:3033/ui

Полный интерфейс чтения/записи с вкладками Memories · Audit · Pools: статистическая панель (Strong / Fading / Near-prune), вкладки для каждого агента, карточки воспоминаний с живыми индикаторами силы, фильтры по категориям, журнал аудита и управление пулами.

Визуализатор графа — http://localhost:3033/graph

Интерактивная силовая карта связей между воспоминаниями — корневое воспоминание выделено ярким узлом, соседи раскрашены по категориям, толщина рёбер = сила связи. Перетаскивайте, масштабируйте, кликайте по узлу, чтобы увидеть полное содержимое.

http://localhost:3033/graph?memoryId=42&userId=alex&depth=2

🔧 MCP-инструменты

Три инструмента, которые ваш ИИ вызывает автоматически.

# Сохранение с пространственным контекстом
store_memory(
    "Alex предпочитает табуляцию пробелам в Python",
    importance=0.9, category="fact",
    context_paths=["/projects/backend"],
)

# Следующий сеанс — пространственное ускорение срабатывает при работе в этом каталоге
recall_memory("форматирование Python", current_path="/projects/backend")
# → {"content": "Alex предпочитает табуляцию пробелам в Python", "strength": 0.87}

⚡ Запрос без вызова LLM

Единственная система памяти, которая может отвечать на вопросы без единого вызова LLM API:

yourmemory ask "какую базу данных использует этот проект"
# → YourMemory использует DuckDB локально и Postgres в продакшене.

yourmemory ask "как исправить развёртывание kubernetes"
# → Недостаточно контекста в памяти, чтобы ответить без LLM.

Когда память достаточно сильна, ответ приходит мгновенно — ноль токенов, ноль затрат на облако, нулевая задержка. Когда нет — система честно отказывается, а не галлюцинирует. Ваш запрос никогда не покидает ваше устройство.

🔀 API-прокси — гарантированная память

MCP-инструменты вызываются по усмотрению ИИ. API-прокси устраняет эту неопределённость — он перехватывает каждый вызов LLM, автоматически вставляет релевантные воспоминания и обрабатывает store_memory / update_memory без какой-либо настройки модели.

Запустите сервер (yourmemory), затем укажите клиенту localhost:3033:

from anthropic import Anthropic

client = Anthropic(
    api_key="sk-ant-...",
    base_url="http://localhost:3033/proxy/anthropic",
    default_headers={"X-YourMemory-User": "alex"},  # память для каждого пользователя
)

# Память вставляется автоматически — никаких других изменений не требуется
response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=1024,
    messages=[{"role": "user", "content": "Какую базу данных я использую?"}],
)

OpenAI работает аналогично через base_url="http://localhost:3033/proxy/openai".

🏗️ Архитектура и стек

flowchart LR
    C["Ваш AI-клиент<br/>Claude · Cursor · любой MCP"] <--> Y["🧠 YourMemory"]
    Y --> M[("Хранилище<br/>памяти")]
    Y --> A[("Реестр<br/>аудита")]
    style Y fill:#0a2540,stroke:#19cdff,color:#fff
    style M fill:#0c1a2c,stroke:#5eead4,color:#fff
    style A fill:#0c1a2c,stroke:#5eead4,color:#fff

🩺 Устранение неполадок

Зависание / тайм-ауты при записи (блокировка записи DuckDB). Если MCP-сервер и HTTP-сервер запущены одновременно, они конкурируют за блокировку записи DuckDB. Исправление:

pkill -f yourmemory 2>/dev/null || true
rm -f ~/.yourmemory/memories.duckdb.wal ~/.yourmemory/memories.duckdb.lock 2>/dev/null || true
# перезапустите клиент

Используете одновременно Claude Desktop (MCP) и Claude Code (хуки)? Вместо этого используйте SQLite — он чисто обрабатывает одновременных читателей/писателей: DATABASE_URL=sqlite:///~/.yourmemory/memories.db

🤝 Вклад в проект

Принимаются Pull Request'ы — см. CONTRIBUTORS.md.

📚 Ссылки на наборы данных

• LoCoMo — Maharana et al. (2024)
• LongMemEval — Wu et al. (2024)
• HotpotQA — Yang et al. (2018)

📄 Лицензия

Copyright 2026 Sachit Misra — Licensed under CC-BY-NC-4.0.

Бесплатно для личного использования, образования, академических исследований и проектов с открытым кодом. Коммерческое использование требует отдельного письменного соглашения → [email protected]