Brain-AI Memory – arsitektur terbuka untuk mendiagnosis kegagalan memori pada agen LLM yang berjalan jangka panjang

Jika semua masalah seperti agen menggunakan ingatan lama, menanyakan kembali hal yang sudah dicatat, mengabaikan aturan, atau menghentikan prosedur fallback di tengah jalan dianggap sebagai “masalah retrieval”, akan sulit menemukan penyebabnya.
Brain-AI Memory bukan proyek yang sekadar memberi nama baru pada RAG, hook, guard, harness, atau loop. Proyek ini membedakan semuanya menjadi episodic·semantic memory, procedural rule·execution, numerical state, routing, dan input gate, lalu menghubungkan masing-masing dengan kondisi kegagalan dan lifecycle-nya.
Struktur yang dipakai selama beberapa bulan dalam sistem agen multi-proyek nyata ini dipublikasikan dengan pendekatan clean-room. Termasuk contoh eksekusi 60 detik, hook dan template memory yang dapat digunakan ulang, dasar operasional, serta hasil retrieval LongMemEval-S untuk 500 pertanyaan.
Hasil negatif dari benchmark juga dipublikasikan apa adanya. Pointer 96-keyword mengurangi indexed text sebesar 93%, tetapi recall@3 turun dari 86.1% pada full BM25 menjadi 71.0%.
Secara khusus, saya ingin mendapatkan masukan apakah kegagalan agen nyata memang cocok dengan pemetaan komponen ini, dan di bagian mana yang tidak cocok.

[gkgusdl4]

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

Jalankan dalam 60 detik:
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

Saya terutama ingin mendapat masukan tentang dua hal berikut.

1. Apakah kegagalan pada agent yang benar-benar berjalan jangka panjang dapat dibedakan dengan cukup baik melalui component mapping ini?
2. Untuk adopsi nyata, mana yang lebih dibutuhkan: installable reference implementation atau end-to-end QA benchmark?