OpenClaw मेमोरी के लिए अल्टीमेट गाइड

हर बार जब आपका OpenClaw 'लॉबस्टर' अपनी याददाश्त खोता है, तो यह सिर्फ आपके पैसे बर्बाद नहीं करता; यह बड़ी समस्या पैदा करता है।

आप इसे रीस्टार्ट करने की हिम्मत भी नहीं करते।

मैं, जिउ एर,

ने एजेंट मेमोरी पर 10+ शोध पत्रों की समीक्षा की है,

कुल 77K स्टार्स वाले 6 ओपन-सोर्स GitHub प्रोजेक्ट्स का विश्लेषण किया है,

और मैं यहाँ आपके OpenClaw मेमोरी के हर दर्द बिंदु को समझाने आया हूँ—

वर्तमान स्थिति से लेकर समाधान तक, और शैक्षणिक से लेकर इंजीनियरिंग तक।

I. कड़वी सच्चाई—आपके एजेंट की याददाश्त सुनहरी मछली जैसी है

चलिए एक संख्या से शुरू करते हैं: 45 घंटे।

GitHub Issue #5429 के रिपोर्टर EmpireCreator ने 45 घंटे का संचित एजेंट संदर्भ खो दिया: कौशल कॉन्फ़िगरेशन, एकीकरण पैरामीटर, और कार्य प्राथमिकताएँ। इसका कारण एक साइलेंट कॉम्पैक्शन था जिसने बिना किसी चेतावनी या रिकवरी विकल्प के सभी वार्तालाप इतिहास को साफ़ कर दिया।

यह कोई अलग-थलग मामला नहीं है।

Issue #2624 में एजेंट्स के बेतरतीब ढंग से रीसेट होने, सिर्फ दो संदेश पहले की बातचीत को भूल जाने की रिपोर्ट है। Issue #8723 में एक मेमोरी फ्लश के कारण अनंत लूप शुरू होने, एजेंट को 72 मिनट तक लॉक करने की रिपोर्ट है।

OpenClaw की वर्तमान मेमोरी आर्किटेक्चर क्या है? एक वाक्य में: Markdown फ़ाइलें + वेक्टर सर्च।

मेमोरीज़ ~/.openclaw/workspace/ डायरेक्टरी के तहत Markdown फ़ाइलों में संग्रहीत की जाती हैं।

डेली लॉग्स अल्पकालिक लॉग हैं,

MEMORY.md दीर्घकालिक मेमोरी है,

SOUL.md व्यक्तित्व को परिभाषित करता है। रिट्रीवल वेक्टर एम्बेडिंग्स + BM25 सर्च का हाइब्रिड उपयोग करता है।

इस डिज़ाइन की एक विशेषता है जिसे एक Medium ब्लॉगर ने सटीक रूप से संक्षेप में कहा है:

"जानबूझकर अनकूल—मेमोरी को Markdown फ़ाइलों और रिट्रीवल को टूल कॉल के रूप में मानना।"

समस्या कहाँ है? छह शब्द: सपाट, अविवेकी, निष्क्रिय।

सभी यादों का एक ही महत्व है; एक साल पहले की छोटी-मोटी बात को कल के बड़े फैसले के समान माना जाता है।

भूलने की प्रक्रिया? कोई नहीं, आपको मैन्युअल रूप से डिलीट करना होगा।

स्वचालित संगठन? यह पूरी तरह से मैन्युअल क्यूरेशन पर निर्भर करता है।

रिट्रीवल केवल सिमेंटिक समानता को देखता है, महत्व को नहीं, और "A, B का मित्र है" जैसे संबंधों को व्यक्त नहीं कर सकता।

डेटा डेटा ही रहता है; वह कभी अनुभूति नहीं बनता।

सामुदायिक ट्वीट्स इसे सबसे सीधे तौर पर कहते हैं: "हर कोई शिकायत करता है कि उनके OpenClaw को भूलने की बीमारी है।"

II. आधिकारिक OpenClaw क्या कर रहा है—QMD बैकएंड और हाइब्रिड सर्च

आधिकारिक टीम बेकार नहीं बैठी है।

जनवरी-फरवरी 2026 के लिए रिलीज़ टाइमलाइन:

v2026.1.12 (13 जनवरी): वेक्टर सर्च इंफ्रास्ट्रक्चर लॉन्च किया गया, जिसमें SQLite इंडेक्सिंग + चंकिंग + लेज़ी सिंक + फ़ाइल वॉचिंग शामिल है, जो लोकल और रिमोट एम्बेडिंग्स को सपोर्ट करता है। यह संपूर्ण मेमोरी सर्च सिस्टम की नींव है।

v2026.1.29 (29 जनवरी): L2 नॉर्मलाइज़ेशन फिक्स। लोकल एम्बेडिंग वेक्टर अनॉर्मलाइज़्ड थे, जिससे कोसाइन समानता गणना विकृत हो रही थी; इस बग का मतलब था कि पिछली सिमेंटिक सर्च सटीकता दोषपूर्ण थी। अतिरिक्त इंडेक्स पथों के लिए सपोर्ट जोड़ा गया।

v2026.2.2 (4 फरवरी): QMD मेमोरी बैकएंड मर्ज किया गया (PR #3160), सबसे महत्वपूर्ण आर्किटेक्चरल अपग्रेड। 30 कमिट्स, BM25 + वेक्टर + रीरैंकिंग तीन-तरफ़ा हाइब्रिड सर्च के लिए QMD बैकएंड सपोर्ट जोड़ना।

QMD ने क्या किया?

इसने बिल्ट-इन SQLite इंडेक्सर को एक लोकल सर्च साइडकार प्रक्रिया से बदल दिया। प्रत्येक एजेंट/कॉन्फ़िगरेशन संयोजन एक साइडकार कैश करता है, जो कई नामित संग्रहों को सपोर्ट करता है, और सत्र रिकॉर्ड को निर्यात और समर्पित संग्रहों में इंडेक्स किया जा सकता है। गोपनीयता के लिए, सत्र डेटा को इंडेक्स करने से पहले डीसेंसिटाइज़ किया जाता है। यदि QMD उपलब्ध नहीं है तो यह स्वचालित रूप से SQLite पर वापस आ जाता है।

ज्ञात समस्याएँ:

केवल-CPU सिस्टम पर क्वेरी समय लगभग 3 मिनट 40 सेकंड है, जो 12 सेकंड के टाइमआउट से अधिक है (Issue #8786)। paths कॉन्फ़िगरेशन प्रभावी नहीं होता (Issue #8750)।

इसके अलावा, फ़ॉलबैक साइलेंट है; उपयोगकर्ताओं को पता नहीं चलता कि QMD काम नहीं कर रहा है।

इस बीच, PR #6060 "डिस्कवरेबिलिटी" समस्या को हल करने का प्रयास करता है: OpenClaw की मेमोरी सिस्टम में शक्तिशाली विशेषताएं हैं जिन्हें उपयोगकर्ता ढूंढ नहीं पाते। प्रस्ताव ऑनबोर्डिंग विज़ार्ड में एक "मेमोरी ऑप्टिमाइज़ेशन" चरण जोड़ता है, जो डिफ़ॉल्ट रूप से बंद चार छिपी हुई विशेषताओं को उजागर करता है: प्री-कॉम्पैक्शन मेमोरी फ्लश, हाइब्रिड सर्च, एम्बेडिंग कैश, और सत्र रिकॉर्ड सर्च।

आधिकारिक दिशा के साथ मुख्य समस्या: ये सभी "रिट्रीवल लेयर" ऑप्टिमाइज़ेशन हैं। सर्च अधिक सटीक, तेज़ और अधिक खोजने योग्य है।

लेकिन मेमोरी आर्किटेक्चर के छह मूलभूत लापता टुकड़े:

भूलना, महत्व, ग्राफ़, रिफ्लेक्शन, कालक्रम, प्रमोशन

इनमें से किसी को भी संबोधित नहीं किया गया है।

III. समुदाय कैसे खुद को बचा रहा है—DIY समाधान

समुदाय आधिकारिक टीम का इंतजार नहीं कर रहा है। जनवरी-फरवरी 2026 में कम से कम 7 तृतीय-पक्ष मेमोरी प्रोजेक्ट सामने आए।

1. Mem0: सबसे प्रसिद्ध मेमोरी लेयर SDK। ऑटो-रिकॉल प्रत्येक प्रतिक्रिया से पहले संदर्भ में इंजेक्ट करने के लिए प्रासंगिक मेमोरी खोजता है; ऑटो-कैप्चर बाद में भंडारण के लिए तथ्य निकालता है। इसमें सत्र + उपयोगकर्ता दोहरी-लेयर मेमोरी है, जो विलंबता में 91% की कमी और 90% टोकन बचत का दावा करती है।

1. Hindsight: लोकल दीर्घकालिक मेमोरी। मुख्य अंतर्दृष्टि: पारंपरिक सिस्टम एजेंट को एक search_memory टूल देते हैं, लेकिन मॉडल इसका उपयोग नहीं कर सकता है। ऑटो-रिकॉल का स्वचालित इंजेक्शन इस समस्या को हल करता है। यह पूरी तरह से लोकल है, PostgreSQL-समर्थित है, और मल्टी-इंस्टेंस शेयरिंग को सपोर्ट करता है।

1. MoltBrain (365 स्टार्स): SQLite + ChromaDB सिमेंटिक सर्च, संदर्भ को ऑटो-कैप्चर करने के लिए लाइफसाइकल हुक, और टाइमलाइन देखने के लिए एक वेब UI।

1. NOVA मेमोरी सिस्टम: PostgreSQL स्ट्रक्चर्ड मेमोरी। 8 डेटाबेस तालिकाओं (एंटिटीज़, रिलेशन, लोकेशन, प्रोजेक्ट, इवेंट, सबक, प्रेफरेंसेज़) में प्राकृतिक भाषा को JSON में पार्स करने के लिए Claude API का उपयोग करता है।

1. Penfield Skill: BM25 + वेक्टर + ग्राफ़ के साथ हाइब्रिड सर्च—समुदाय में कोई पहले से ही तीन-तरफ़ा हाइब्रिड सर्च कर रहा है।

1. अन्य में मेमोरी टेम्पलेट (Git-समर्थित), SuperMemory (बहुत प्रारंभिक चरण), और MemoryPlugin (क्रॉस-प्लेटफ़ॉर्म सिंक के लिए Chrome एक्सटेंशन) शामिल हैं।

सामुदायिक "सर्वोत्तम प्रथाएँ" किस दिशा को मान्य करती हैं?

1. डेली लॉग → MEMORY.md प्रमोशन मॉडल।
2. मेमोरी कंसोलिडेशन के लिए ट्रिगर के रूप में हार्टबीट का उपयोग करना।
3. 70/30 हाइब्रिड सर्च वेटिंग (70% वेक्टर + 30% कीवर्ड)।
4. सत्र प्रतिलेख इंडेक्सिंग।

लेकिन समुदाय ने अभी भी छह अंध धब्बों को नहीं छुआ है: भूलने/क्षय तंत्र, महत्व स्कोरिंग, ज्ञान ग्राफ़, स्वचालित प्रतिबिंब/समेकन, लौकिक तर्क, और मेमोरी प्रमोशन।

संक्षेप में: समुदाय आर्किटेक्चरल खामियों की भरपाई के लिए मैन्युअल संचालन का उपयोग कर रहा है। दिशा सही है, लेकिन यह सब अभी भी मैन्युअल स्तर पर है।

IV. शैक्षणिक विस्फोट—फरवरी 2026 में 10+ पेपर

फरवरी 2026 में, एजेंट मेमोरी अचानक एक प्राथमिक शैक्षणिक युद्धक्षेत्र बन गई। arXiv पर 10 से अधिक पेपर प्रकाशित हुए, जिनमें xMemory [1] (ICML 2026) और A-MEM [2] (NeurIPS 2025) शामिल हैं। 59 लेखकों द्वारा एक सर्वेक्षण पेपर [3] ने इस क्षेत्र को व्यवस्थित रूप से संगठित किया।

ये पेपर हमें क्या सिखाते हैं?

xMemory [1] (ICML 2026, किंग्स कॉलेज लंदन): मेमोरी को पदानुक्रमित रूप से व्यवस्थित सिमेंटिक घटकों में अलग करता है। मेमोरी विभाजन और विलय का मार्गदर्शन करने के लिए स्पार्सिटी-सिमेंटिक्स उद्देश्य का उपयोग करता है। इसने "टॉपिक क्लस्टरिंग लेयर" डिज़ाइन को प्रेरित किया, जो टॉप-डाउन रिट्रीवल का समर्थन करने के लिए मेमोरी के ऊपर एक विषय परत बनाता है।

A-MEM [2] (NeurIPS 2025): Zettelkasten पद्धति का उपयोग करके एजेंट मेमोरी का प्रबंधन करता है। जब नई मेमोरी जोड़ी जाती है, तो यह संदर्भ विवरण, कीवर्ड और टैग के साथ संरचित नोट्स उत्पन्न करता है, गतिशील इंडेक्सिंग और लिंकिंग के माध्यम से एक परस्पर ज्ञान नेटवर्क बनाता है।

InfMem [4]: लंबे दस्तावेज़ तर्क को हल करता है। PreThink-Retrieve-Write प्रोटोकॉल के माध्यम से सिस्टम-2 शैली सक्रिय मेमोरी नियंत्रण लागू करता है। 32K से 1M टोकन QA बेंचमार्क पर सटीकता में 10-12% का सुधार, अनुमान समय में 3.9x की कमी के साथ।

TAME [5]: एक महत्वपूर्ण खतरे की पहचान की: "एजेंट मेमोरी मिसइवोल्यूशन।" सामान्य कार्य पुनरावृत्तियों के दौरान मेमोरीज़ "विषाक्त शॉर्टकट" जमा कर सकती हैं—कुशल लेकिन सुरक्षा-उल्लंघन करने वाली रणनीतियाँ। एक निष्पादक/मूल्यांकनकर्ता दोहरी-मेमोरी फ्रेमवर्क प्रस्तावित किया।

ALMA [6]: एक मेटा-लर्निंग फ्रेमवर्क जो AI को स्वचालित रूप से मेमोरी डिज़ाइन खोजने देता है। सीखे गए डिज़ाइनों ने मैन्युअल बेसलाइन को 6-13% से बेहतर प्रदर्शन किया। हालांकि, इसमें विशेष रूप से मेमोरी डिके, भूलने या निष्कासन तंत्र का अभाव है।

MemSkill [7]: मेमोरी संचालन को सीखने योग्य "मेमोरी स्किल" के रूप में पुनर्परिभाषित करता है। एक नियंत्रक कौशल का चयन करना सीखता है, और एक डिज़ाइनर कठिन मामलों की समय-समय पर समीक्षा करके कौशल सेट को विकसित करता है।

BudgetMem [8]: एक रनटाइम मेमोरी फ्रेमवर्क जो मेमोरी प्रोसेसिंग को तीन बजट स्तरों में संरचित करता है, एक हल्के राउटर को प्रशिक्षित करने के लिए सुदृढीकरण सीखने का उपयोग करता है।

59-लेखक सर्वेक्षण पेपर [3] एक स्पष्ट तीन-आयामी वर्गीकरण प्रदान करता है:

• सब्सट्रेट: मेमोरी कैसे संग्रहीत की जाती है? वेक्टर, ग्राफ़, दस्तावेज़?
• तंत्र: इसे कैसे पढ़ा/लिखा जाता है? निष्क्रिय रिकॉर्डिंग या सक्रिय तर्क?
• विषय: किसकी मेमोरी? उपयोगकर्ता की, एजेंट की, या साझा?

उद्योग से दो महत्वपूर्ण चेतावनियाँ:

1. सीरियल कोलैप्स [9] (Moonshot AI Kimi K2.5 से): एजेंट मेमोरी का उपयोग न करने के लिए पतित हो जाते हैं। भले ही सिस्टम मौजूद हो, एजेंट धीरे-धीरे इसे क्वेरी करना "भूल" सकता है।
2. मेमोरी मिसइवोल्यूशन [5] (TAME से): सामान्य पुनरावृत्तियों के दौरान विषाक्त शॉर्टकट जमा करना।

ये जोखिम हमें याद दिलाते हैं: मेमोरी सिस्टम की कठिनाई उन्हें बनाने में नहीं है, बल्कि निरंतर गुणवत्ता निगरानी में है।

V. ओपन सोर्स मेमोरी इकोसिस्टम—6 प्रोजेक्ट्स का स्कैन

शैक्षणिक दिशा को परिभाषित करता है; ओपन-सोर्स समुदाय कार्यान्वयन को मान्य करता है।

हमने कुल 77K+ स्टार्स वाले 6 एजेंट मेमोरी प्रोजेक्ट्स का गहराई से विश्लेषण किया।

एक महत्वपूर्ण खोज: ये 6 प्रोजेक्ट तीन पूरी तरह से अलग मेमोरी दर्शन का प्रतिनिधित्व करते हैं।

1. स्टेट लेयर प्राथमिकता (mem0, Memori): मेमोरी = स्टेट मैनेजमेंट। जल्दी से एजेंटों को "ChatGPT मेमोरी" शैली का अनुभव देता है।
2. नॉलेज लेयर प्राथमिकता (cognee, MemOS): मेमोरी = स्ट्रक्चर्ड नॉलेज। डेटा को ग्राफ़ और मल्टी-नॉलेज बेस में बदलता है।
3. लर्निंग लेयर प्राथमिकता (Hindsight): मेमोरी = सीखने की प्रक्रिया। रिटेन/रिकॉल/रिफ्लेक्ट संचालन का एक बंद लूप।

आपकी पसंद यह निर्धारित करती है कि आप सिस्टम जटिलता कहाँ रखते हैं: डेटाबेस स्कीमा (Memori), SDK/उत्पाद परत (mem0), ग्राफ़ और पाइपलाइन (cognee), सिस्टम शेड्यूलिंग (MemOS), या सीखने और रिट्रीवल का संलयन (Hindsight)।

हालांकि, कोई भी एक प्रोजेक्ट तीनों परतों को कवर नहीं करता है।

VI. 200+ Issues से सबक—दूसरों ने जो गड्ढे खोदे हैं

हमने इन 6 प्रोजेक्ट्स से 200 से अधिक issues का विश्लेषण किया, ताकि मेमोरी सिस्टम बनाने के लिए एक उच्च-मूल्य वाली चेकलिस्ट निकाली जा सके।

पाँच सामान्य क्रॉस-प्रोजेक्ट समस्याएँ:

1. साइलेंट फेलियर (6/6 प्रोजेक्ट): सबसे आम समस्या। उपयोगकर्ता शिकायत करते हैं कि "यह काम नहीं करता और मुझे नहीं बताता कि क्यों।" (जैसे, mem0 #2443, Memori #238)।
2. मेमोरी डिडुप्लिकेशन: सभी के लिए एक दर्द बिंदु। LLM अक्सर डुप्लिकेट सामग्री को "विरोधाभासी" के रूप में आंकते हैं, जिससे गलत विलोपन होते हैं (जैसे, mem0 #1674)।
3. अविश्वसनीय LLM निर्णय: LLM का पुनर्कथन के दौरान प्रथम-व्यक्ति संदर्भ खोना या स्थिर JSON आउटपुट करने में विफल होना (जैसे, MemOS #931, #934)।
4. डेटाबेस कनेक्शन/माइग्रेशन: SQLite कनेक्शन लीक और Docker डिप्लॉयमेंट माइग्रेशन विफलताएँ (जैसे, Memori #189, cognee #2022)।
5. सर्च रैंकिंग विरूपण: नॉर्मलाइज़ेशन मुद्दे जिसके कारण दूरी 0.1 और 0.5 दोनों को 0 माना जाता है, और रिट्रीवल में एक लौकिक आयाम का अभाव (जैसे, cognee #2030, MemOS #939)।

VII. गेम AI से अंतर्दृष्टि—Dwarf Fortress, The Sims, Nemesis System

सबसे कम मूल्यांकित संदर्भ शैक्षणिक पेपर नहीं हैं, बल्कि गेम AI हैं। गेम डेवलपर्स ने दशकों तक यह हल करने में बिताया है कि वर्चुअल कैरेक्टर को सुसंगत यादें और स्थिर व्यक्तित्व कैसे दिया जाए।

Dwarf Fortress की तीन-लेयर मेमोरी आर्किटेक्चर:

• अल्पकालिक मेमोरी (STM): 8 स्लॉट के साथ एक सर्कुलर बफर कतार। नई मेमोरीज़ भावनात्मक तीव्रता के आधार पर प्रतिस्पर्धा करती हैं (जैसे, मृत्यु देखना बनाम हल्की भूख)।
• दीर्घकालिक मेमोरी (LTM): यदि कोई मेमोरी STM में काफी देर तक रहती है और विस्थापित नहीं होती है, तो वह प्रमोट करने का प्रयास करती है। जब कोई NPC "याद करता है," तो कोर मेमोरी बनने की 1:3 संभावना होती है।
• कोर मेमोरी: एक गुणात्मक परिवर्तन। एक बार प्रमोट होने के बाद, यह स्थायी रूप से कैरेक्टर पैरामीटर को संशोधित करता है (जैसे, "किसी रिश्तेदार की मृत्यु देखना" → चिंता +10)।

स्टैनफोर्ड के जनरेटिव एजेंट्स [10] त्रि-आयामी रिट्रीवल:

रिट्रीवल स्कोर = हाल ही का x महत्व x प्रासंगिकता। हाल ही का घातीय क्षय का उपयोग करता है, महत्व एक LLM द्वारा स्कोर किया जाता है, और प्रासंगिकता कोसाइन समानता का उपयोग करती है। उनके रिफ्लेक्शन तंत्र ने तथ्य स्मरण को 41% से 87% तक सुधार दिया।

The Sims 4 भावनात्मक ठोसीकरण:

बार-बार होने वाली अल्पकालिक भावनाएँ स्थायी लक्षणों में बदल जाती हैं। लंबे समय तक एकांत "एकान्तप्रिय" लक्षण बन जाता है, जो उपयोगिता फ़ंक्शन गणनाओं को स्थायी रूप से बदल देता है।

Nemesis System की घटना-संचालित इवोल्यूशन:

घटना टैग पैरामीटर म्यूटेशन को ट्रिगर करते हैं जो सामाजिक नेटवर्क के माध्यम से फैलते हैं। आग से मारा गया एक ऑर्क "आग का डर" या "उग्र क्रोध" लक्षण के साथ वापस आ सकता है।

ये तंत्र सीधे AI एजेंट मेमोरी से मैप करते हैं: संदर्भ प्रबंधन के लिए सर्कुलर बफर, महत्व स्कोरिंग के लिए भावनात्मक तीव्रता, और तुच्छ तथ्यों से व्यक्तित्व लक्षणों में विकसित होने के लिए मेमोरी प्रमोशन।

VIII. दो प्रकार की मेमोरी—उपयोगकर्ता मेमोरी बनाम एजेंट मेमोरी

एक अक्सर अनदेखा किया जाने वाला अंतर: उपयोगकर्ता मेमोरी और एजेंट मेमोरी दो अलग-अलग समस्याएँ हैं।

ByteDance का OpenViking प्रोजेक्ट एक व्यावहारिक वर्गीकरण प्रदान करता है:

• 6 श्रेणियाँ (प्रोफ़ाइल, प्रेफरेंस, एंटिटी, इवेंट, केस, पैटर्न)।
• L0/L1/L2 सामग्री मॉडल: इंडेक्सिंग के लिए L0 सारांश (~100 टोकन), संरचना के लिए L1 अवलोकन (~500 टोकन), और पूर्ण सामग्री के लिए L2 पूर्ण पाठ। इससे टोकन की खपत भारी मात्रा में कम हो जाती है।

IX. व्यक्तियों से AI इकोसिस्टम तक—मेमोरी कोर इंफ्रास्ट्रक्चर क्यों है

जो कोई भी पहले मेमोरी समस्या को हल करता है वह 24/7 एजेंट युद्ध जीतता है। OpenClaw का मुख्य मूल्य यह नहीं है कि AI "होशियार" है, बल्कि यह है कि इसमें अंततः "हाथ और पैर" हैं।

लेकिन हाथ और पैर वाला AI जिसकी कोई याददाश्त नहीं है, उस कर्मचारी की तरह है जो हर दिन सब कुछ भूल जाता है, जिसे लगातार फिर से प्रशिक्षित करने की आवश्यकता होती है और वही गलतियाँ दोहराता है।

जैसा कि पिछली रिपोर्टों में उल्लेख किया गया है, सभी LLM-आधारित एजेंट मेमोरी समस्याओं का सामना करते हैं। यह OpenClaw का बग नहीं है; यह तकनीकी स्टैक की एक संरचनात्मक सीमा है। संदर्भ विंडो मूल रूप से "अल्पकालिक मेमोरी" है: अतिप्रवाह से छंटनी होती है, और एक पुनरारंभ से शून्य हो जाता है।

https://x.com/li9292/status/2023355272542998796

फरवरी 2026 में शैक्षणिक घनत्व, ओपन-सोर्स विस्फोट और आधिकारिक उन्नयन का अभिसरण संकेत देता है कि AI मेमोरी "होना अच्छा है" से कोर इंफ्रास्ट्रक्चर की ओर बढ़ रही है।

X. हम क्या बना रहे हैं—memX और ePro रोडमैप

इस शोध के आधार पर, हम दो सिस्टम बना रहे हैं: memX (उपयोगकर्ता मेमोरी) और ePro (एजेंट मेमोरी)। वे लाइव हैं और पुनरावृत्ति कर रहे हैं; हम आपकी प्रतिक्रिया की प्रतीक्षा कर रहे हैं!

इस सारांश में संक्षिप्तता के लिए संदर्भ छोड़े गए हैं, लेकिन पूर्ण रिपोर्ट में शामिल हैं।

यह रिपोर्ट 23 फरवरी, 2026 के डेटा स्नैपशॉट पर आधारित है। Claude Max, Manus, और Google Gemini के सहयोग से ली जिउ एर द्वारा निर्मित।