เลเยอร์หน่วยความจำที่ใช้ร่วมกันและเป็นเจ้าของโดยผู้ใช้ที่เชื่อมต่อหลายตัวแทน AI
cerefox, สร้างโดย Fstamatelopoulos, เป็นเลเยอร์หน่วยความจำที่แชร์ซึ่งรวมความรู้สำหรับตัวแทน AI และลบขอบเขตเซสชันระหว่างผู้ช่วย เครื่องมือนี้จับและเปิดเผยหน่วยความจำถาวรเพื่อเปิดใช้งานการสร้างที่เสริมด้วยการเรียกคืนและการเรียกคืนข้ามตัวแทน โดยรวมเข้ากับ Model Context Protocol (MCP) และการค้นหาที่มีเวกเตอร์สนับสนุน มันรวมการค้นหาผสม การแบ่งส่วน Markdown ที่รับรู้หัวเรื่อง ตัวกรองเมตาดาต้า JSONB และบันทึกการตรวจสอบ นักพัฒนา ผู้ใช้พลัง AI และนักวิจัยที่เรียกใช้ตัวแทนหลายตัวจะได้รับฐานความรู้ที่ควบคุมโดยผู้ใช้เพียงหนึ่งเดียวสำหรับการทำงานร่วมกันและบริบทระยะยาว.
คุณสามารถใช้มันทำงานอะไรได้บ้าง?
แอปทำหน้าที่เป็นคลังความรู้ที่มีอยู่ตลอดเวลาที่ตัวแทนสามารถอ่านและเขียนได้ ทำให้เนื้อหาที่ผลิตในเซสชันหนึ่งปรากฏในอีกเซสชันหนึ่ง มันรองรับ Markdown, ข้อความธรรมดา และไฟล์ .docx และรักษาความสัมพันธ์ของส่วนต่าง ๆ ด้วยการแบ่งส่วนที่รู้จักหัวเรื่อง ซึ่งช่วยให้ตัวแทนสามารถดึงข้อมูลจากเอกสารเฉพาะส่วนแทนที่จะเป็นไฟล์ทั้งหมด การรวมระบบที่รองรับรวมถึงลูกค้าและเครื่องมือที่เข้ากันได้กับ MCP ที่เรียกใช้คำสั่ง shell ซึ่งเปิดใช้งานกรณีการใช้งานตั้งแต่การเรียกคืนเซสชันโค้ดไปจนถึงการสนทนาวิจัยระหว่างผู้ช่วยต่าง ๆ
การดึงข้อมูลมีความแม่นยำและตรวจสอบได้มากน้อยเพียงใด?
การค้นหาผสมผสานการดึงข้อมูลแบบเต็มข้อความ BM25 กับความคล้ายคลึงของเวกเตอร์เชิงความหมาย โดยทำงานบนแบ็กเอนด์ Postgres ที่มีความสามารถด้านเวกเตอร์เพื่อปรับปรุงความเกี่ยวข้องของผลลัพธ์ เครื่องมือเปิดเผยการกรองเมตาดาต้าแบบ JSONB-indexed สำหรับการค้นหาที่แคบ และบันทึกการตรวจสอบที่ไม่เปลี่ยนแปลงและเพิ่มเท่านั้นบันทึกการอ่านและเขียนเพื่อการติดตาม องค์ประกอบเหล่านี้สนับสนุนการทำงานที่เพิ่มขึ้นจากการดึงข้อมูลซึ่งการตรวจสอบมีความสำคัญ เพราะผู้ใช้สามารถกรองตามแท็กหรือตรวจสอบเส้นทางการตรวจสอบสำหรับเอกสารหรือคำถามที่กำหนด
ต้องใช้สิ่งใดในการปรับใช้และทำงานในทางปฏิบัติ?
การปรับใช้ต้องการ Node.js 20+ สำหรับ CLI และอินสแตนซ์ Postgres ที่รองรับเวกเตอร์; โครงการนี้มี Docker สำหรับการติดตั้งในท้องถิ่นและ Supabase สำหรับการเปิดตัวที่โฮสต์ โหมดในท้องถิ่นสามารถทำงานแบบออฟไลน์โดยใช้โมเดลการฝังในท้องถิ่นเช่น nomic-embed-text ซึ่งเก็บการฝังไว้ในอุปกรณ์ ตัวเลือกการปรับใช้เหล่านี้ให้ความยืดหยุ่น แต่ก็ต้องการการตั้งค่าระบบบางอย่างและฐานข้อมูลที่ทำงานได้พร้อมการจัดทำดัชนีเวกเตอร์ที่เปิดใช้งาน
มันสนับสนุนการวิศวกรรมและการกำกับดูแลหลายตัวแทนได้ดีเพียงใด?
การออกแบบให้ความสำคัญกับการประสานงานข้ามตัวแทนและการใช้งานพร้อมกัน: การสนับสนุน MCP แบบเนทีฟช่วยให้ตัวแทนบนเครื่องที่แตกต่างกันแชร์บริบท และการล็อกเชิงบวกป้องกันไม่ให้ตัวแทนเขียนทับการอัปเดตของกันและกัน แดชบอร์ดการวิเคราะห์แสดงเอกสารที่สำคัญและรูปแบบการเข้าถึงเพื่อให้ทีมสามารถติดตามการใช้งานของตัวแทน ด้วยกันชิ้นส่วนเหล่านี้ทำให้เครื่องมือเหมาะสำหรับการทำงานด้านวิศวกรรมที่ต้องการหน่วยความจำที่มีอยู่ตลอดเวลาและตรวจสอบได้ แทนที่จะเป็นสถานะเซสชันชั่วคราว
ทางเลือกที่ใช้งานได้จริงสำหรับทีมที่มีทักษะทางเทคนิคที่ต้องการควบคุม
เครื่องมือนี้เป็นตัวเลือกที่ใช้งานได้จริงสำหรับนักพัฒนาและนักวิจัยที่ต้องการหน่วยความจำที่คงอยู่และควบคุมโดยผู้ใช้ข้ามเอเจนต์ AI หลายตัว สถาปัตยกรรมของมันให้รางวัลแก่ทีมที่สามารถจัดการการโฮสต์ การฝังตัว และการปรับแต่งการดึงข้อมูล ในขณะที่ผู้ใช้ที่มองหาวิธีการที่ใช้งานง่ายและไม่มีการดำเนินการอาจพบว่าการตั้งค่านั้นมีความต้องการที่สูงเกินไป สำหรับทีมที่เตรียมพร้อมที่จะดำเนินการและควบคุมชั้นความรู้ของตนเอง เครื่องมือนี้มอบเส้นทางที่ชัดเจนสู่การทำงานร่วมกันของเอเจนต์และบันทึกที่สามารถตรวจสอบได้.
