Elite Longterm Memory

• Вы теряете контекст в середине сессии — протокол WAL (Write-Ahead Log) гарантирует, что состояние записывается до того, как агент отвечает, поэтому сжатия и сбои не могут стереть важное.
• Вы работаете над длительными или многосессионными проектами — курируемый MEMORY.md и ежедневные логи обеспечивают как агенту, так и человеку долговременную, читаемую запись решений.
• Ваши агенты повторяют ошибки или забывают предпочтения — Mem0 автоматически извлекает факты из разговоров и дедуплицирует их, сокращая использование токенов примерно на 80% по сравнению с необработанной историей.
• Вы запускаете суб-агентов или параллельные рабочие потоки — многоуровневая архитектура позволяет передавать структурированный контекст через git-notes и семантический поиск, а не объяснять всё заново.

• Вам нужна разовая, односессионная задача — полная 5-уровневая настройка добавляет накладные расходы, которые не оправданы для одноразовых скриптов или коротких задач.
• Вы не используете OpenAI-совместимый ключ LLM — семантический векторный поиск (LanceDB) и интеграция с Mem0 требуют OPENAI_API_KEY; без него навык не раскроет свой полный потенциал.

Состояние записывается в SESSION-STATE.md до того, как агент отвечает, а не после. Это предотвращает потерю контекста во время уплотнения, сбоев или прерываний в середине разговора — гарантия, которую наивные подходы к памяти обеспечить не способны.

Все воспоминания индексируются в локальном векторном хранилище LanceDB. Автоматический отзыв памяти внедряет наиболее релевантный предыдущий контекст в каждый ответ, а ручные команды memory_store / memory_recall позволяют выполнять запросы и фильтрацию по категории и оценке важности.

Структурированные решения, полученные знания и контекст с учётом веток хранятся в виде git notes — незаметных, версионно-контролируемых и экспортируемых в формате JSON. Они постоянно сохраняются вместе с историей вашего репозитория.

Mem0 автоматически извлекает факты, предпочтения и решения из необработанной истории переписки, удаляет дубликаты и предоставляет релевантные воспоминания по запросу. Это устраняет необходимость передавать полную историю чата и сокращает потребление токенов до 80%.

При желании синхронизируйте свою базу знаний с SuperMemory для доступа с разных устройств и поиска сохранённого контекста на естественном языке. Требуется SUPERMEMORY_API_KEY.

Корневой файл MEMORY.md и датированные ежедневные журналы в memory/YYYY-MM-DD.md обеспечивают как агенту, так и разработчику чёткую, удобную для просмотра запись того, что было решено, изучено и запомнено — без необходимости в непрозрачной базе данных.

По мере развития проекта на протяжении дней или недель агент записывает технические решения (например, «Использовать Tailwind, а не чистый CSS») в git-notes и SESSION-STATE.md. В начале каждой новой сессии он автоматически считывает предыдущий контекст, поэтому больше никогда не спрашивает, какой фреймворк вы используете.

Когда контекстное окно заполняется и агент выполняет компакцию, SESSION-STATE.md выступает в роли оперативной памяти, которая сохраняется после сброса. Протокол WAL гарантирует, что всё, сказанное в последнем обмене, уже записано на диск до того, как сработает компакция.

Контекст, хранящийся в git-notes и LanceDB, может быть запрошен любым порождённым суб-агентом в начале задачи, поэтому параллельные агенты разделяют одни и те же решения и предпочтения без необходимости повторного инструктажа вручную.

Предпочтения пользователя, повторяющиеся дедлайны и исправленные ошибки автоматически извлекаются Mem0 и сохраняются между сессиями. Агент постепенно формирует точную, дедуплицированную модель пользователя, не увеличивая размер промпта. Используется Elite Longterm Memory.