AI एजेंट कैसे याद रखते हैं? सिद्धांतों से अभ्यास तक एक विस्तृत गाइड

हाल ही में, एजेंटों के लिए दीर्घकालिक मेमोरी बहु बहुत लोकप्रिय हो गई है, और हर कोई मेमोरी सिस्टम के बारे में बात कर रहा है।

लेकिन जब आप उन स्पष्टीकरणों को देखते हैं, तो उनमें से अधिकांश आप पर बस शब्दों का ढेर लगा देते हैं: वेक्टर डेटाबेस, RAG, कॉन्टेक्स्ट विंडो, कम्प्रेशन, एपिसोडिक मेमोरी...

पढ़ने के बाद भी, आप ठी ठीक से नहीं बता सकते कि यह कैसे काम करता है, है ना?

यह आपकी गलती नहीं है; अधिकांश लेख मान लेते हैं कि आपके पास पहले से ही एक आधार है।

हालांकि, एजेंट मेमोरी सिस्टम वर्तमान में इंटरव्यू में सबसे हॉट टॉपिक है। यदि आप इसे नहीं समझते हैं, तो तो आप काम और इंटरव्यू दोनों में नुकसान में रहेंगे।

इसलिए, इस पोस्ट में, मैं एक अलग दृष्टिकोण अपनाऊंगा, बुनियादी बातों से शुरू करूंगा और शब्दजाल का ढेर नहीं लगाऊंगा! मैं अपनी पूरी कोशिश करूंगा कि इसे सभी के लिए समझने योग्य बनाऊं!!

मैं गारं गारंटी देता हूं कि इसे पढ़ने के बाद, आप इन तीन सवालों का जवाब खुद दे पाएंगे:

मेमोरी सिस्टम क्या है?

हम OpenClaw के मेमोरी सिस्टम को कैसे समझते हैं?

एक एंटरप्राइज-स्तरीय समाधान कैसा दिखता है? मैंने EverOS (github.com/EverMind-AI/EverOS) को चुना

यह लेख काफी लंबा है और मुझे इसे लिखने में कई दिन लग गए। यदि आपके दोस्तों में एजेंट मेमोरी में रुचि है, तो आप इसे बुकमार्क कर सकते हैं और बाद में उन्हें फॉरवर्ड कर सकते हैं।

एजेंट मेमोरी सिस्टम के बारे में बुनिय जानकारी

यह खंड मुख्य रूप से इस बारे में है कि एजेंट एक ही सत्र के भीतर और विभिन्न सत्रों में मेमोरी कैसे बनाए रखते हैं। यदि आप पहले से ही इसे समझते हैं, तो बेझिझक आगे बढ़ें।

सबसे पहले, बड़े मॉडल के दो API कॉल के बीच कोई मेमोरी नहीं होती है। इसका क्या मतलब है?

उदाहरण के लिए: यदि आप पहली कॉल में कहते हैं कि आपको संतरे खाना पसंद है, लेकिन आप दूसरी कॉल में प्रॉम्प्ट में "मुझे संतरे खाना पसंद है" नहीं जोड़ते हैं, तो मॉडल को आपकी पसंद के बार याद नहीं रहेगी।

तो एक एजेंट बातचीत के दौरान इस मेमोरी को कैसे बनाए रखता है?

सबसे पहले, हर बार जब आप कुछ पूछते हैं, तो अंतर्निहित सिस्टम आपका पूरा पिछला चैट इतिहास भेजता है। मॉडल इसे देखता है, जिससे अल्पकालिक मेमोरी सुनिश्चित होती है।

लेकिन जब चैट इतिहास इतना लंबा हो जाता है कि वह मॉडल की अधिकतम कॉन्टेक्स्ट विंडो से अधिक हो जाता है, तो यह इतिहास को संपीड़ित करता है। यह वर्तमान बातचीत के इतिहास का सारांश बनाता है और उसे वापस प्रॉम्प्ट में डाल देता है, जिससे चैट जारी रखने के लिए जगह बनती है।

यह वह सिद्धांत है जिसके द्वारा एक मॉडल एक लंबी बातचीत में मेमोरी बनाए रखता है। यदि आप थोड़ा भ्रमित हैं, तो नीचे दिए गए चित्र को देखें:

अब आप जानते हैं कि एक ही सत्र में मेमोरी कैसे बनाए रखी जाती है, लेकिन विभिन्न चैट सत्रों के बीच इसे कैसे बनाए रखा जाता है?

यहीं पर दीर्घकालिक मेमोरी सिस्टम काम आता है!!

यह जो करता है वह यह है कि जब आपका कॉन्टेक्स्ट संपीड़ित होता है या जब आप कुछ याद रखने का अनुरोध करते हैं, तो यह महत्वपूर्ण जानकारी को एक भंडारण स्थान में संग्रहीत करता है।

फिर, जब आप एक नई बातचीत शुरू करते हैं, तो यह उपयुक्त समय पर प्रासंगिक जानकारी निकालता है और उसे प्रॉम्प्ट में जोड़ता है।

"पुराने को हटाकर नया लाने" की इस प्रक्रिया से, यह कई चीजों को याद रखने का भ्रम पैदा करता है। यह मानव कार्यशील मेमोरी और दीर्घकालिक मेमोरी के समान है।

ठीक है, मेमोरी के इस बुनियादी ज्ञान के साथ, हम यह समझने के लिए आगे बढ़ सकते हैं कि मेमोरी सिस्टम क्या है।

नीचे, मैं आपको एक अवधारणात्मक ढांचा दूंगा। यदि आप इसे पढ़ लेते हैं, तो मैं गारंटी देता हूं कि आपको किसी भी मेमोरी सिस्टम समाधान की बुनियादी समझ हो जाएगी।

मेमोरी सिस्टम

एजेंटों को दीर्घकालिक मेमोरी देने का दावा करने वाले कम से कम दर्जनों समाधान हैं। हम इतने सारे का अध्ययन कैसे करें?

आगे, मैं एक पेपेपर को तोड़कर समझाऊंगा ताकि आपको एजेंट दीर्घकालिक मेमोरी की बुनियादी समझ हो, और फिर बेहतर समझ के लिए OpenClaw और अन्य मेमोरी फ्रेमवर्क के बीच अंतर की तुलना करूंगा।

Google ने नवंबर 2025 में "कॉन्टेक्स्ट इंजीनियरिंग, सेशंस एंड मेमोरी" शीर्षक से एक पेपर प्रकाशित किया।

इस पेपर में, वे आधी सदी पहले के संज्ञानात्मक विज्ञान के तरीकों का पालन करते हैं, एजेंट मेमोरी को तीन श्रेणियों में विभाजित करते हैं:

• एपिसोडिक मेमोरी: कल क्या हुआ, पिछली बार क्या चर्चा हुई।
• सिमैंटिक मेमोरी: आपका नाम क्या है, आपको क्या पसंद है, आपकी पहचान क्या है।
• प्रक्रियात्मक मेमोरी: किसी कार्य को कैसे पूरा करें, प्रक्रिया क्या है।

ये तीनों मेमोरी मिलकर एजेंट की मेमोरी का निर्माण करती हैं।

लेकिन यह कहानी का केवल आधा हिस्सा है; दूसरा आधा हिस्सा मेमोरी को बनाए रखने और उपयोग करने के बारे में है।

मनुष्यों की तरह, एजेंट भी सब कुछ याद नहीं रख सकते। इसलिए, एक मेमोरी सिस्टम को बातचीत के इतिहास से महत्वपूर्ण जानकारी निकालने और फिर उसे सहेजने के लिए एक विश्वसनीय तरीके की आवश्यकता होती है।

मैं इस कदम को निष्कर्षण (Extraction) कहता हूं।

इसके अलावा, हमें यादों को व्यवस्थित और मर्ज करने की आवश्यकता है।

उदाहरण के लिए:

तीन महीने पहले, मैंने कहा था कि मैं दाली में हूं, लेकिन बाद में मैं चेंग्दू चला गया। यदि इस जानकारी को मर्ज नहीं किया जाता है, तो मेमोरी में विरोधाभास जानकारी होगी होगी।

सही तरीका यह है कि मेरे जाने के बाद मेमोरी को अपडेट करके "उपयोगकर्ता चेंग्दू में है" कर दिया जाए।

मैं इस चरण को अद्यतन (Updating) कहता हूं।

पुनर्पत (Retrieval) का चरण भी है, जिसमें कई विधियां शामिल हैं: कीवर्ड खोज, सिमैंटिक खोज, हाइब्रिड खोज, या बड़े मॉडलों का उपुस्तिका का उपयोग करना।

इसलिए, मेमोरी सिस्टम को समझने के लिए, आपको केवल इन दो पहलुओं को समझने की आवश्यकता है:

1. मेमोरी की कितनी श्रेणियां हैं, और प्रत्येक क्या संग्रहीत करती है? मेमोरी कैसे निकाली, अपडेट और पुनर्प्राप्त की जाती है?

अब, इस ढांचे का उपयोग करके, आइए जानें कि OpenClaw की दीर्घकालिक मेमोरी कैसे लागू की जाती है।

OpenClaw में मेमोरी की कितनी श्रेणियां हैं, और प्रत्येक क्या संग्रहीत करती है?

इसकी मेमोरी निम्नलिखित तीन प्रकारों में विभाजित है:

1. memory.md (मेमोरी): सिमैंटिक मेमोरी के अंतर्गतर्गत आती है; आपकी पहचान, प्राथमिकताएं और स्थिर तथ्यों को संग्रहीत करती है।

1. daily logs: एपिसोडिक मेमोरी के अंतर्गत आती है; प्रत्ये रिकॉर्ड करती है कि प्रत्येक दिन क्या हुआ, तिथि के अनुसार व्यवस्थित। यह केवल नई प्रविष्टियां जोड़ता है और कभी हटाती नहीं है।

1. session snapshots: एपिसोडिक परत के अंतर्गत आती है; जब आप एक नया सत्र शुरू करने के लिए /new या /reset कमांड का उपयोग करते हैं, तो यह पुरानी बातचीत से अंतिम 15 "सार्थक" संदेशों" का सारांश बनात बनाती है और उन्हें मार्कडाउन मार्कडाउन फाइल के रूप में सहेजती है।

निष्कर्षण, अद्यतन और पुनर्प्राप्ति कैसे की जाती है?

निष्कर्षण तीन स्थितियों में होता है:

1. जब बातचीत संपीड़ित होने वाली होती है: मूल्यवान जानकारी daily logs में लिखी जाती है।
2. जब आप एक नया सत्र शुरू करने के लिए /new या /reset का उपयोग करते हैं: मूल्यवान जानकारी session snapshots में सहेजी जाती जाती है।
3. जब उपयोगकर्ता कुछ याद रखने का अनुरोध करता है: सिस्टम तय करता है कि इसे किस मेमोरी प्रकार में संग्रहीत किया जाए।

पुनर्प्राप्ति दो स्थितियों में होती है:

1. जब एक नई बातचीत शुरू होती है: memory.md स्वचालित रूप से प्रॉम्प्ट में डाली जाती है, और यह हाल के संदर्भ के लिए आज और कल के daily logs को भी पढ़ती है।
2. जब OpenClaw को लगता है कि मेमोरी की जांच करना आवश्यक है: यह मेमोरी खोज को कॉल करता है, हाइब्रिड खोज (कीवर्ड + वेक्टर) के माध्यम से मेमोरी स्थान ढूंढता है, और फिर memory get के माध्यम से फ़ाइल सामग्री पढ़ता है।

अद्यतन कब होता है? मेरी व्यक्तिगत समझ यह है कि यह निष्कर्षण के दौरान होता है, जब यह तय किया जाता है कि क्या याद रखना है।

यदि आप अभी भी पूरी तरह से नहीं समझ पाए हैं, तो नीचे दिए गए चित्र को देखें:

अब आपको मेमोरी सिस्टम की कुछ समझ हो गई है, लेकिन सच कहू, OpenClaw के सिस्टम में कई समस्याएं हैं:

1. यह बहुत सारे टोकन की खपत करता है।
2. यदि Markdown खो जाता है, तो मेमोरी गायब हो जाती है।
3. यह अक्सर चीजों को भूल जाता है।

हालांकि, वास्तविक एंटरप्राइज-ग्रेड मेमोरी सिस्टम में स्थिरता सुनिश्चित करने के लिए कई अनुकूलन होते हैं। उनके पीछे की तकी तकनीक उन सभी के लिए समझने लायोग्य है जो तकनीक से प्यार करते हैं।

आगे, मैं एंटरप्राइज-ग्रेड एजेंट मेमोरी सिस्टम का विश्लेषण करूंगा!!

एंटरप्राइज-ग्रेड एजेंट मेमोरी सिस्टम

AI युग में, प्रत्येक प्रोग्रामर को एंटरप्राइज-ग्रेड एजेंट मेमोरी सिस्टम के पीछे की तकनीक को समझना चाहिए; अन्यथा, आप अपना प्रतिस्पर्धात्मक लाभ खो देंगे।

क्यों?

क्योंकि बड़े मॉडल हमारे प्रोग्रामिंग काम को खाते रहेंगे। एकमात्र विकल्प उनके लिए सहायक सिस्टम बनाना है।

इसे समझाना आसान बनाने के लिए, मैं EverOS नामक एक ओपन-सोर्स समाधान चुनूंगा और उसका विश्लेषण करूंगा।

यदि आप इस प्रोजेक्ट से एजेंट मेमोरी सिस्टम सीखना शुरू करने की योजना बना रहे हैं, तो बेझिझक इसे एक स्टार दें:

github.com/EverMind-AI/EverOS

जैसा कि मैंने पहले कहा, मेमोरी सिस्टम को समझने के लिए, आपको केवल दो सवालों के जवाब देने होंगे।

EverOS उनका उत्तर कैसे देता है?

प्रश्न 1: मेमोरी को कैसे वर्गीकृत किया जाता है?

सामान्य ढांचे में 3 प्रकार हैं, लेकिन EverOS प्रत्येक को और अधिक विभाजित करता है, जैसा कि नीचे दिखाया गया है:

1. सिमैंटिक मेमोरी आप कौन हैं, इसकी दीर्घकालिक मेमोरी, दो परतों में विभाजित:
2. स्थिर लक्षण: आप रात में जागने वाले, प्रोग्रामर, बीजिंग में रहते हैं—ऐसी चीजें जो लंबे समय तक नहीं बदलती नहीं।
3. अस्थायी अवस्थाएं: आज देर रात तक जागे, इस हफ्ते व्यस्त थे, पिछले हफ्ते सर्दी थी।

1. एपिसोडिक मेमोरी तीन प्रकारों में विभाजित:
2. एपिसोड: बातचीत या कार्य का एक संक्षिप्त सारांश, दैनिक लॉग नहीं। उदाहरण: उपयोगकर्ता ने पूछा कि मॉडल कैसे तैनात करें, एनवायरनायरमेंट वेरिएबल में फंस में अटक गया, और उस पर 30 मिनट बिताए।
3. इवेंटलॉग: बातचीत से मुख्य तथ्य निकालता है, प्रत्येक में एक टाइमस्टैंप होता है। उदाहरण: 2026-05-10 उपयोगकर्ता ने Mac mini खरीदा, 2026-05-12 उपयोगकर्ता ने GitHub लिंक किया।
4. पूर्वानुमान: समय से संबंधित "अगले कदम"—ऐसी चीजें जो आपने करने को कहा या वह अनुमान लगाता है कि आप बाद में शामिल होंगे, रिमाइंडर के लिए समाप्ति समय के साथ। उदाहरण: अगले शुक्रवार से पहले प्रस्ताव भेजें।

1. प्रक्रियात्मक मेमोरी दो प्रकारों में विभाजित:
2. एजेंट केस: कार्य पूरूा करने के बाद, यह रिकॉर्ड करता है "क्या इरादा था + चरण-दर-चरण कार्य + एक गुणवत्ता स्कोर।" उदाहरण: ईमेल भेजना—यह संपर्कों की जांच करता है, ड्राफ्ट तैयार करता है, पुष्टि मांगता है, फिर भेजता है—यह पूरा सेट गुणवत्ता स्कोर के साथ संग्रहीत होता है।
3. एजेंट स्किल (डिस्टिल्ड स्किल): समान कार्यों को कई बार करने के बाद, यह स्वचालचाल से इन संग्राइवों से एक सामान्य दृष्टिकोण निकालता है, जिसमें परिपक्वता स्कोर होता है। जितना अधिक किया जाता है, उतना ही विश्वसनीय होता जाता है। उदाहरण: 5 ईमेल कार्यों के बाद, यह सीखता है कि औपचारिक या आकस्मिक लहजा तय करने से पहले यह जांचें कि प्राप्तकर्ता कोई महत्वपूर्ण व्यक्ति है या नहीं।

जैसा कि आप देख सकते हैं, EverOS मूल 3 श्रेणियों को 6 प्रकारों में विभाजित करता है, जिससे अधिक सटीक भंडारण और अधिक प्रभावी मेमोरी संभव होती है।

इसके अलावा, यह मानव मेमोरी के समान है—यह भविष्य की भविष्यवाणी करता है और कौशल का सारांश/परिशोधन करता है।

प्रश्न 2: निष्कर्षण, अद्यतन और पुनर्प्राप्ति कैसे की जाती है?

मेमोरी कैसे निकाली जाती है?

EverOS स्वचालचाल से निर्िक रूप से निर्णय लेता है कि "क्या यह खंड समाप्त हो गया है।" समाप्त होने पर, यह इसे काटता है और इसे एक मेमोरी इकाई में पैक करता है।

प्रत्येक इकाई में 4 चीजें होती हैं:

• कथानक: क्या चर्चा हुई और क्या किया गया—एक संक्षिप्त सारांश, शब्दशः नहीं।
• मुख्य तथ्य: अंदर कौन कौन से तथ्य अलग से नोट करने लायक हैं।
• पूर्वानुमान: ऐसी चीजें जो आपने करने को कहा या वह अनुमान लगाता है कि आप करेंगे, रिमाइंडर के लिए समाप्ति समय के साथ।
• संदर्भ टैग: कब, कहां, कितना विश्वसनीय, और उस समय भावना क्या थी।

आप बस चैट करते हैं; यह सेग्मेंटेशन विवरण संभालता है।

मेमोरी कैसे अपडेट की जाती है?

उदाहरण के लिए:

एक महीने पहले, आपने AI से कहा: मैं कसरत शुरू करने की योजना बना रहा हूं। दो हफ्ते बाद, आपने कहा: मैं व्यस्त था, जिम नहीं गया। आज आप कहते हैं: छोड़ो, मैं कसरत नहीं करूंगा।

सामान्य समाधान तीनों को लॉं को लॉग में डाल देते हैं। मॉडल जो भी पुनर्प्राप्त करता है, उसे वह तथ्य मानता है। लेकिन वास्तव में, उत्तर नवीनतम होना चाहिए।

EverOS "सिमैंटिक कंसोलिडेशन" पर निर्भर करता है, जो तीन काम करता है:

• स्वचालित रूप से निर्धारित करता है कि कौन सा नवीनतम है (कसरत बंद)।
• डुप्लिकेट या एक ही घटना को संदर्भित करने वाली चीजों को मर्ज करता है।
• एक उपयोगकर्ता प्रोफ़ल बनाए रखता है, स्थिर प्राथमिकताओं को अस्थायी अवस्थाओं से अलग करता है (आधिकारिक तौर पर प्रोफ़ाइल एवोल्यूशन कहा जाता है)।

विवरण नीचे दिखाया गया है:

मेमोरी कैसे पुनर्प्राप्त की जाती है?

EverOS आपको परिदृश्य के आधार पर चुनने के लिए 4 पुनर्प्राप्ति विधियां देता है:

• कीवर्ड: सटीक मिलान, विशिष्ट नामों या आईडी के लिए उपयुक्त।
• वेक्टर खोज: सिमैंटिक मिलान—अलग-अलग शब्द जिनका एक ही अर्थ है, मिल सकते हैं।
• हाइब्रिड: कीवर्ड + वेक्टर एक साथ, फिर rerank मॉडल द्वारा फ़िल्टर किया जाता है—अनुशंसित डिफलित डिफ़ॉल्ट।
• एजेंटिक: जटिल बहु-भागीय प्रश्नों के लिए उपयोग किया जाता है; LLM निर्णय लेता है कि क्या और कैसे खोजना है, जब तब तक पुनरावृत्त करता है जब तक मिल न जाए (जब हाइब्रिड पर्याप्त न हो)।

लेकिन 4 विधियां मुख्य बात नहीं हैं; मुख्य बात पुनर्प्राप्ति तर्क है।

सामान्य समाधान निष्क्रिय होते हैं—आप कीवर्ड देते हैं, यह मिलान दस्तावेज़ लौटाता है, बस इतना ही।

EverOS सक्रिय रूप से संदर्भ का पुनर्निर्माण करता है:

1. विश्लेषण करता है कि आप इस बार क्या करना चाहते हैं।
2. प्रासंगिक विषयगत परिदृश्यों को सक्रिय करता है।
3. समाप्त हो चुकी जानकारी को फ़िल्टर करता है (जैसे, एक साल पहले की प्राथमिकताएं अमान्य हो सकती हैं)।
4. तब तक पुनरावृत्त रूप से खोजता है जब तक पर्याप्त जानकारी एकत्र न हो जाए।

सामान्य समाधान एक सर्च इंजन की तरह हैं जो एक बार खोजने के बाद समाप्त हो जाता है। EverOS पर्याप्त जानकारी मिलने तक विभिन्न कोणों से बार-बार देखता है।

EverOS ने दीर्घकालिक मेमोरी बेंचमार्कमार्क LoCoMo (GPT-4o-mini का उपयोग करके) पर 93.05% की समग्र सटीकता हासिल की, जो तुलनात्मक समाधान Zep (85.22%) से लगभग 8 प्रतिशत अंक बेहतर है।

इस खंड को पढ़ने के बाद, आपको प्रोडक्शन-ग्रेड एजेंट मेमोरी सिस्टम का अच्छा अंदाजा हो जाना चाहिए। लेकिन वे वास्तविक इंजीनियरिंग में कैसे उतरते हैं, और आप उनके साथ क्या कर सकते हैं?

वास्तविक प्रोडक्शन कार्यान्वयन

मैं इस ओपन-स प्रोजेक्ट का उपयोग करके समझाना जारी रखूंगा क्योंकि दो कारण हैं: API मुफ्त में खुला है, और रिपॉजिटरी में 20 वास्तविक दुनिया के मामले हैं—कार्यान्वयन पर चर्चा करने के लिए एकदम सही!!

मुफ्त ओपन API

EverOS का Cloud API मुफ्त में खुला है।

शुरू करने के लिए तीन कदम:

1. अपने ब्राउज़र में everos.evermind.ai खोलें और रजिस्टर करें; पेज आपको एक API Key देगा, इसे सहेज लें।
2. कमांड लाइन के माध्यम से SDK इंस्टॉल करें: pip install everos
3. पाइथन में क्लाइंट को इंस्टैंशिएट करें और इसका उपयोग शुरू करें।

EverOS न केवल आजमाने के लिए मुफ्त है, बल्कि यह हाल ही में लोकप्रिय स्किल सेल्फ-एवोल्यूशन सुविधा का भी भी समर्थन करता है!!

स्किल सेल्फ-एवोल्यूशन का उपयोग कैसे करें?

जब कोई एजेंट बार-बार समान कार्य करता है, तो EverOS स्वचालित रूप से अनुभव को पुन: उपयोग योग्य कौशल में बदल देता है। अगली बार जब कोई समान कार्य आता है, तो यह शुरू से शुरू करने के बजाय सीधे कौशल का उपयोग करता है।

कोड में इसका उपयोग करने में 3 APIs को श्रृंखलाबद्ध करना शामिल है:

दो बातें ध्यान देने योग्य:

• पहली बार जब आप एक ट्रैजेक्टरी फीड करते हैं, तो यह केवल एक केस (एकल कार्य का संग्रह) उत्पन्न करता है। कौशल केवल कई समान कार्यों के बाद क्लस्टर और डिस्टिल किए जाते हैं।
• आपको /memories/agent एंडपॉइंट का उपयोग करना होगा; नियमित /memories कौशल नहीं निकालेगा।

यदि आप स्किल सेल्फ-एवोल्यूशन सुविधा को नहीं समझते हैं, तो नीचे दिए गए चित्र को देखें:

मैंने कोड के उपयोग का संक्षेप में उल्लेख किया है, लेकिन एजेंट बुनियादी ढांचे के रूप में, इस प्रोजेक्ट में अत्यंत मूल्यवान वास्तविक दुनिया के उपयोग के मामले हैं।

और ये मामले सभी ओपन-सोर्स हैं और सीखने के लिए तैयार हैं!!

20 वास्तविक उपयोग के मामले

रिपॉजिटरी README में 20 उपयोग के मामले सूचीबद्ध हैं, यहां कुछ हैं:

• MemoCare (अल्ज़ाइमर मेमोरी असिस्टेंट): संज्ञानात्मक गिरावट वाले रोगियों के लिए एक बाहरी मेमोरी प्रदान करता है जो कभी नहीं भूलती है—यह सबसे हृदयस्पर्शक सार्वजन कल्याण परियोजनाओं में से एक है।
• Claude Code Plugin: Claude Code में दीर्घकालिक मेमोरी जोड़ता है, सत्रों में याद रखता है।
• Game of Thrones: AI को GoT की कहानियां खिलाकर पात्रों को खेलना जो लंबे समय तक याद रखते हैं कि वे कौन हैं।
• OpenHer: AI गर्लफ्रेंड, भावनात्मक साथ + मेमोरी एवोल्यूशन।
• Computer-Use with Memory: एजेंट को कंप्यूटर नियंत्रित करने और प्रत्येक ऑपरेशन से अनुभव याद रखने देता है।
• Memory Graph Visualization: मेमोरी सिस्टम को ग्राफ के रूप में विज़ुअलाइज़ करता है।

पूरी सूची github.com/EverMind-AI/EverOS पर README में है।

वैसे, यहां कुछ आधिकारी प्लगइन्स हैं:

API पर्याप्त नहीं हैं, इसलिए EverOS ने मेमोरी क्षमताओं को कई रेडी-टू-यूज़ प्लगइन्स में पैक किया:

• Claude Code Plugin: Claude Code में दीर्घकालिक मेमोरी जोड़ता है—प्रत्येक उत्तर के बाद स्वचालित रूप से सहेजता है और प्रत्येक प्रश्न के लिए संदर्भ याद करता है, एक दृश्य Memory Hub पैनल के साथ। एक कमांड से इंस्टॉल करें।
• OpenClaw Plugin: EverOS को OpenClaw के लिए "मेमोरी स्लॉट" के रूप में जोड़ता है—एजेंट चलाने से पहले स्वचालित रूप से प्रासंगिक मेमोरी (प्लॉट, प्रोफ़ाइल, केस, कौशल) पुनर्प्राप्त करता है और बाद में बातचीत और टूल कॉल सहेजता है।
• OpenClaw Skill: EverOS मेमोरी टूल को OpenClaw / Claude Code से "कौशल" के रूप में जोड़ता है, जिससे एजेंट आवश्यकतानुसार मेमोरी कॉल कर सकता है बजाय न कि यह स्थायी रूप से जुड़ी रहे।

शुरुआती तीन सवालों पर वापस आते हैं:

मेमोरी सिस्टम क्या है? OpenClaw का मेमोरी सिस्टम कैसा है? एक एंटरप्राइज-स्तरीय समाधान कैसा दिखता है?

आपके पास अब जवाब होने चाहिए।

EverMind एक उत्कृष्ट प्रोजेक्ट है:

1. पूरा प्रोजेक्ट Apache 2.0 ओपन सोर्स है, वर्तमान में 4500+ स्टार।
2. EverMind की अकादमिक और एल्गोरिदमिक जड़ें मजबूत हैं, लगातार पेपर प्रकाशित करता है; उनका पिछला MSA भी एक बहुत ही उन्नत अवधारणा थी।
3. EverMind, Shanda के तहत एक AI Native कंपनी है, जिसके पास बहुत सारे संसाधन हैं।

यदि आप इस प्रोजेक्ट से एजेंट मेमोरी सिस्टम सीखना शुरू करने की योजना बना रहे हैं, तो बेझिझक इसे एक स्टार दें:

github.com/EverMind-AI/EverOS

उनके पास महीने के अंत में नए उत्पाद लॉन्च हो रहे हैं, उत्सुक है!!

एक लेख में तकनीकी अवधारणाओं को समझाने का यह मेरा पहला प्रयास्ता प्रयास है। इसे अधिकांश लोगों के लिए समझने योग्य बनाने के लिए, मैंने कई विवरण छोड़ दिए हैं।

इसमें शामिल तकनीक जटिल है; कृपया टिप्पणियों में त्रुटियों को इंगित करें ताकि सुधार किया जा सके।

यदि आपको मेरा लेख पसंद आया, तो आप इसे बुकमार्क कर सकते हैं, टिप्पणी कर सकते हैं, इसे दोस्तों को फॉरवर्ड कर सकते हैं और मुझे फॉलो कर सकते हैं।