Lossless-memory: her satırı saklayan ve asla özetlemeyen açık kaynaklı yapay zeka belleği

Hacker News'te GitHub deposu üzerinden öne çıkan lossless-memory adlı proje, kişisel yapay zeka için uzun süreli bellek konusunda sıra dışı bir konum ediniyor: hiçbir şeyi özetlememek. Projenin README'sine göre, günümüz bellek sistemlerinde öne çıkan iki yaklaşım — konuşmaları kompakt notlara sıkıştırmak ya da gömme (embedding) yapıp benzer parçaları getirmek — günlük bir kullanıcının en çok değer verdiği ayrıntıları, yani tam olarak ne söylendiğini ve ne zaman söylendiğini yok sayıyor. Deponun yanıtı, her satırı kelimesi kelimesine saklamak, her kayda zaman damgası vurmak ve alımın birincil eksenini zaman yapmak.

Kapsam bilinçli olarak dar tutulmuş: tek kişi, tek yapay zeka asistanı, tek makine; sunucu yok, bulut bağımlılığı yok. README, bu uygulamanın Temmuz 2026'dan beri tek bir kullanıcı için her gün çalıştığını, ham kayıtların Haziran 2026'ya kadar gittiğini, tasarım soyunun ise Aralık 2025 tarihli bir prototipe ve Ocak 2026'dan beri günlük kullanımda olan bir öncüle dayandığını bildiriyor.

Üç bileşen

Tasarım üç parçaya dayanıyor.

Birincisi, kayıpsız bir ham kayıt (raw log). Her konuşma turu, sabit yedi alanlı bir kayda dönüşüyor — zaman damgası, aktör, rol, kayıt türü, kelimesi kelimesine metin, model tanımlayıcısı ve oturum tanımlayıcısı — ve günlük bir JSONL dosyasına ekleniyor. Kayıtlar doğruluğun kaynağı: her dizin silinip bunlardan yeniden inşa edilebilir ve bir arıza durumunda hayatta kalması gereken başka hiçbir şey gerekmez.

İkincisi, projenin Temporal Backbone dediği yapı. Zaman, metadata değil birincil eksen. Tam eşleme dizini, hem Japonca hem İngilizceyi işleyebilmek için bigram tokenizasyonu yapan SQLite FTS5; her satırın yanında zaman damgası saklanıyor. Bir sorgu ayrıştırıcısı, herhangi bir sıralama gerçekleşmeden önce zaman ifadelerini bir tarih aralığına çeviriyor; böylece dün akşam artı bir anahtar kelime gibi bir sorgu önce pencereyi daraltıyor, sonra içindeki kelimeleri sıralıyor ve sonuçları kronolojik sırada, değiştirilmeden döndürüyor. sqlite-vec üzerinden anlamsal arama yalnızca tam eşleme dizini aralıkta çok az şey bulduğunda bir yedek olarak var ve README, bu yedeğin çıktı başlığında açıkça belirtildiğini söylüyor.

Üçüncüsü, her turda modelin bağlamına (context) enjekte edilen, zaman damgalı konu işaretlerinden oluşan küçük bir dizin olan LLL. Asistanın, bağlam penceresi sıkıştırıldıktan veya bir oturum sona erdikten sonra bir konuyu kaldığı yerden sürdürebilmesini sağlayan şey bu. Alışılmadık bir kısıt var: işaretleri insan yazıyor ve model yalnızca okuyor; yani model, neyin önemli olduğuna dair kendi algısını asla düzenlemiyor.

Bir daemon, varsayılan on dakikalık aralıklarla artımlı olarak yeniden dizinliyor ve yalnızca kaynak dosyaları değişen günleri yeniden işliyor.

Arızalar dahil bir işletim kaydı

README, çalışan örnekten ölçümler yayımlıyor; projeksiyonlar değil. Bir yeniden tasarımın ardından tam eşleme aramasının dizin yeniden inşası 40 saniyeden 1,24 saniyeye düştü. Vektör dizini daha da dağınık bir hikâye anlatıyor: 2026-08-31'de 447.013 satır, kirli veri nedeniyle en kötü durumda 2026-09-04'te 865.588 satıra şişiyor, bir düzeltmenin ardından 124.174 satıra düşüyor. Diskteki vektör deposu 2,54 GB'tan 337 MB'a küçüldü. Proje kötü sayıları bilerek saklıyor ve başarısızlıkları bir lessons dosyasında belgeliyor.

Belirtilen sınırlamalar

README kapsam konusunda açık sözlü. Sistem tek kullanıcılı ve tek makineli; çok kiracılı (multi-tenant) bir hikâyesi yok. Dün ya da 3 gün önce gibi göreli zaman ifadeleri yalnızca Japonca ayrıştırılıyor; İngilizce konuşanlar şimdilik mutlak tarihler kullanmak zorunda, İngilizce göreli ifadeler yol haritasında. Birincil alma (ingest) yolu Claude Code'un JSONL formatını hedefliyor, ancak düz bir içe aktarıcı da dahil. Kıyaslama (benchmark) yok — sayılar karşılaştırma değil, operasyonel ölçümler. Anlamsal arama yerel bir sentence-transformers gömme modeline bağlı; CPU yeterli, GPU isteğe bağlı. Hızlı bir başlangıç örneği ve bir gidiş-dönüş testi, alma-dizinsorgu yolunu yaklaşık beş dakikada kapsıyor.

Neden önemli

Günümüzde yapay zeka asistanlarıyla gelen bellek katmanlarının çoğu sıkıştırmayı özelliğin kendisi olarak görüyor: özetle, göm, yaklaşık olarak getir. Lossless-memory, sıradan parçalardan — JSONL, SQLite FTS5, sqlite-vec — inşa edilmiş ve tam olarak tek bir kişi tarafından üretimde çalıştırılan işleyen bir karşı argüman. Bu hem sınırı hem de ilgi çekici yanı. Kıyaslamaların olmaması ve Japonca öncelikli bir ayrıştırıcıyla, doğrulanmış bir alternatiften çok bir veri noktası; ama alanın sürekli ertelediği bir tasarım sorusunu keskinleştiriyor: kullanıcıların bellek olarak deneyimlediği şey tam söylenen kelimeler ve söylendikleri zamansa, özetleme unutmanın çözümü olmayabilir — unutmanın ta kendisi olabilir. Belirtilen uzun vadeli hedef, tek yaşayan insanlar için, kullanıcının sahip olduğu donanımda hatırlayan bir companion AI ve bu depo, o bellek katmanı olarak konumlandırılıyor.