Новый инструмент призван решить проблему потери памяти у AI в роли исполнительного ассистента

Обновлено 21 Сен 2026 · Проверено редакцией Zekai

Новый проект на GitHub под названием Lossless-memory решает распространенную проблему пользователей ежедневных AI-инструментов: склонность моделей забывать прошлые взаимодействия или сводить их к краткой выжимке. Созданный независимым разработчиком по имени Ару совместно с AI по имени Cece, репозиторий предлагает альтернативу стандартным системам памяти, которые опираются на компактные заметки или аналогичные блоки. Разработчик утверждает, что стандартные процессы суммаризации отсекают точные формулировки и тайминги, которые делают прошлые записи полезными.

Вместо сжатия бесед система преобразует каждый шаг в фиксированную запись из семи полей. Эти записи ежедневно добавляются в файлы JSONL, выполняя роль неизменяемого первоисточника. Время выступает в качестве основной оси, а не просто метаданных, что позволяет полностью удалять любые базовые индексы и воссоздавать их напрямую из файлов «сырых» логов при необходимости.

Для поддержания удобства использования инструмент задействует небольшой индекс маркеров тем, известных как LLL. Эти короткие строки с временными метками указывают, когда в беседе меняется предмет обсуждения, и внедряются в контекст модели на каждом шаге. Небольшой демон по умолчанию каждые десять минут выполняет инкрементальную переиндексацию, выполняя поиск перезаписанных исходных файлов без необходимости полной пересборки с нуля.

Практические тесты, подробно описанные в документации по быстрому старту, показывают, что пользователи могут загружать примеры бесед, создавать необходимые индексы и выполнять запросы с привязкой ко времени примерно за пять минут. Круговой тест pytest покрывает именно этот функциональный путь. Реализация работает ежедневно с июля 2026 года для одного пользователя, а «сырые» логи уходят вглубь до июня 2026 года, опираясь на концепции дизайна, разработанные в декабре 2025 года.

Для исполнительных ассистентов и профессионалов, управляющих текущими проектами с помощью AI, система меняет подход к извлечению прошлых решений. Вместо получения пересказа аналогичного обсуждения недельной давности модель способна извлекать точные реплики из конкретного временного отрезка — например, из сессии во вторник вечером, сохраняя контекст беседы неизменным между сеансами.

Почему это важно для AI для личной продуктивности и исполнительных ассистентов

Исполнительные ассистенты и профессионалы, ведущие долгосрочные диалоги с AI-ассистентами, часто сталкиваются с ухудшением контекста со временем. Сохраняя «сырые» логи с временными метками без суммаризации, этот инструмент с открытым исходным кодом позволяет ассистентам воспроизводить точные прежние решения и конкретные формулировки, улучшая преемственность в ежедневных рабочих процессах.

Что делать

• Изучите документацию по быстрому старту в репозитории GitHub, чтобы протестировать процесс загрузки данных.
• Запустите круговой тест pytest для оценки настройки памяти на локальном оборудовании.
• Ознакомьтесь с документацией lessons, чтобы понять возможные сценарии сбоев и требования к дисковому пространству.

Источник: Show HN: Lossless-memory – a personal AI memory that never summarizes (github.com)