MemRosetta -- Mesin memori jangka panjang lokal untuk alat AI

Saat menggunakan alat coding AI (Claude Code, Cursor, Codex, Gemini, dll.), konteks sering hilang setiap kali sesi berganti.
Arsitektur yang diputuskan kemarin, hasil debugging minggu lalu, gaya coding yang saya sukai -- semuanya harus dijelaskan ulang setiap saat.

MemRosetta adalah mesin memori jangka panjang lokal untuk mengatasi masalah ini.

Instalasi satu baris:
npm install -g memrosetta && memrosetta init --claude-code

Cara kerjanya

Semua memori disimpan dalam satu file SQLite lokal (~/.memrosetta/memories.db). Claude Code, Cursor, Codex, dan Gemini berbagi DB yang sama, sehingga memori yang disimpan di satu alat bisa dicari kembali dari alat lain.

Alih-alih memecah dokumen menjadi potongan teks (chunk) seperti RAG tradisional, MemRosetta menyimpan dalam unit memori atomik (atomic memory). Satu fakta adalah satu record.

// Sesi hari Senin — Claude otomatis memanggil MCP saat percakapan berlangsung  
store({  
  "content": "인증은 OAuth2 + PKCE로 결정",  
  "memoryType": "decision",  
  "keywords": ["auth", "oauth2", "pkce"]  
})  
  
// Sesi baru hari Selasa — Claude mencari lewat MCP  
search({ "query": "auth" })  
  
→ [0.95] 인증은 OAuth2 + PKCE로 결정 (decision, 2026-03-31)  
→ [0.82] API rate limit은 유저당 100req/min (fact, 2026-03-31)  
→ [0.41] 로그인 페이지 UI 완성 (event, 2026-03-28)  

Bahkan jika sudah terkumpul 100 memori, sistem hanya mengembalikan 5 teratas yang paling relevan dengan menggabungkan keyword matching + semantic similarity + skor aktivasi ACT-R. Ini mirip dengan cara otak manusia mengingat memori yang relevan — memori yang sering dipanggil akan lebih mudah muncul kembali, sedangkan memori yang lama tidak digunakan akan memudar secara alami tanpa benar-benar hilang.

Fitur utama

• Pencarian hibrida: pencocokan kata kunci FTS5 + vector semantic similarity + fusi Convex Combination
• Deteksi kontradiksi: model NLI lokal (71MB) secara otomatis mendeteksi kontradiksi antara fakta baru dan memori lama lalu menghubungkannya sebagai relasi
• Pelupaan adaptif: berbasis model ACT-R dari ilmu kognitif. Memori yang sering dicari naik skor aktivasinya, sementara memori yang jarang dipakai memudar secara alami (bukan dihapus)
• Model waktu: tiap memori punya 4 timestamp -- kapan disimpan, kapan percakapan terjadi, kapan peristiwa sebenarnya terjadi, kapan dinyatakan tidak berlaku
• Graf relasi: updates, extends, derives, contradicts, supports -- menghubungkan antarmemori
• Tidak butuh LLM: mesin intinya berjalan lokal tanpa panggilan API eksternal. Embedding (33MB) dan NLI (71MB) sama-sama lokal

Integrasi per alat

memrosetta init --claude-code # Claude Code: hooks + CLAUDE.md + MCP
memrosetta init --cursor # Cursor: MCP + .cursorrules
memrosetta init --codex # Codex: config.toml + AGENTS.md
memrosetta init --gemini # Gemini: settings.json + GEMINI.md

Melalui MCP(Model Context Protocol), AI dapat langsung menyimpan/mencari memori selama sesi berlangsung. Untuk Claude Code, selama sesi Claude langsung menyimpan lewat MCP (kualitas terbaik, biaya $0), dan saat sesi berakhir Stop Hook bertindak sebagai pengaman untuk melengkapi hal-hal yang terlewat.

Perbandingan dengan produk pesaing

Solusi memori AI yang sudah ada seperti Mem0, Zep, dan Letta berbasis cloud dan bergantung pada LLM. MemRosetta berjalan hanya dengan satu SQLite lokal, dan fitur seperti deteksi kontradiksi, model pelupaan ACT-R, model waktu, serta graf relasi adalah kemampuan yang tidak ada di solusi yang sudah ada.

• GitHub: https://github.com/obst2580/memrosetta
• Situs web: https://memrosetta.liliplanet.net
• npm: npm install -g memrosetta
• 696+ tes, lisensi MIT

[you4you4]

Halo, menurut saya ini ide yang bagus.
Apakah Anda tidak berencana memisahkannya per proyek?