Brain-AI Memory – Kiến trúc mở để chẩn đoán lỗi bộ nhớ của các LLM agent chạy dài hạn

Nếu xem tất cả các vấn đề như agent dùng ký ức cũ, hỏi lại những điều đã ghi lại, bỏ qua quy tắc, hoặc bỏ dở quy trình fallback giữa chừng là “vấn đề retrieval”, thì rất khó tìm ra nguyên nhân.
Brain-AI Memory không phải là một dự án gọi RAG, hook, guard, harness, loop bằng những cái tên mới. Dự án phân tách chúng thành episodic·semantic memory, procedural rule·execution, numerical state, routing, input gate, và liên kết từng điều kiện lỗi với lifecycle tương ứng.
Cấu trúc đã được sử dụng trong vài tháng trên một multi-project agent system thực tế được công bố theo kiểu clean-room. Bao gồm ví dụ chạy trong 60 giây, hook và memory template có thể tái sử dụng, căn cứ vận hành, cùng kết quả retrieval LongMemEval-S 500 câu hỏi.
Các kết quả tiêu cực của benchmark cũng được công bố nguyên trạng. 96-keyword pointer đã giảm 93% indexed text, nhưng recall@3 giảm từ 86,1% của full BM25 xuống 71,0%.
Đặc biệt, tôi muốn nhận phản hồi về việc các agent failure thực tế có khớp tốt với component mapping này hay không, và không khớp ở đâu.

[gkgusdl4]

README tiếng Hàn:
https://github.com/Hahyun-Lee/brain-ai-memory/blob/main/README.ko.md

Chạy trong 60 giây:
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

Tôi განსაკუთრებით muốn biết hai phản hồi sau.

1. Với agent chạy dài hạn trong thực tế, các failure có được phân biệt đầy đủ bằng component mapping này không?
2. Để được chấp nhận trong thực tế, thứ còn cần thêm là installable reference implementation hay end-to-end QA benchmark?