OKF Agent Memory, yapay zeka kodlama ajanlarının bilgiğini Git ile izlenen Markdown olarak saklıyor

Depoda yaşayan bir hafıza katmanı

OKF Agent Memory adlı bir proje, Hacker News ana sayfasında, yapay zeka destekli geliştirmenin tanıdık bir sorununa çözümle ortaya çıktı: ajanlar, bir context window kapandığı anda her şeyi unutuyor — mimari kararları, alan bilgilerini, operasyonel gerçekleri. Projenin GitHub deposuna göre araç, doğrudan deponun içinde, kodla birlikte commit edilen bir knowledge/ dizininde, YAML frontmatter içeren düz Markdown dosyaları halinde saklanan standartlaştırılmış, satıcıdan bağımsız bir hafıza katmanı sunuyor.

README, aracı iki mevcut uç nokta arasına konumlandırıyor. Bir tarafta CLAUDE.md ve AGENTS.md gibi geçici talimat dosyaları var; basitlar ama yapılandırılmamışlar ve yönetilemez hale geliyorlar. Öteki tarafta Mem0 veya Letta gibi harici hafıza sistemleri var; bunlar genellikle sürüm kontrolü dışında yaşayan ve incelenmesi zor vektör veritabanlarına dayanıyor. OKF Agent Memory orta yolu iddia ediyor: ajanların programatik olarak arayabileceği kadar yapılandırılmış, bir insanın diff'te okuyabileceği kadar sade.

Format neyi tanımlıyor

Araç, deponun Google'a atfettiği ve ajan bilgisi için açık bir standart olarak tanımladığı Open Knowledge Format (OKF) v0.2'yi uyguluyor. Her hafıza demeti, bir gerçeğin nereden geldiğine dair kaynak bilgisi, üretilmiş içerikle doğrulanmış içeriği ayıran güven katmanları ve bir status alanı ile tarihi geçmiş gerçekleri emekliye ayıran stale_after eşiği gibi yaşam döngüsü metadata'sı taşıyor.

İki tasarım fikri işin çoğunu yapıyor. İlki aşamalı açığa çıkarma (progressive disclosure): hiyerarşik index.md dosyaları ve bir bağlantı grafiği, ajanın tüm corpus yerine yalnızca güncel görevle ilgili kavramları yüklemesini sağlıyor. Proje, bunun tek parça bir belgeyi modele beslemeye kıyasla token tüketimini yaklaşık yüzde 80 azalttığını iddia ediyor.

İkincisi, projenin search-before-write (yazmadan önce ara) adını verdiği bir kural: ajan, yeni bir kavram kaydetmeden önce mevcut hafızayı sorgulamak zorunda; bu, tekrar eden kayıtları ve README'nin halüsinasyon sapması (hallucinated divergence) dediği şeyi — aynı gerçeğin biraz farklı iki sürümünün zamanla birbirinden uzaklaşması — önlemeyi amaçlıyor. Her demet ayrıca ISO 8601 tarihleri kullanarak tarihli bir değişiklik günlüğü olan log.md'yi tutuyor.

Projenin kendi bildirdiği performans rakamları

OKF Agent Memory, harici bağımlılığı olmayan saf Go ile yazılmış tek bir binary olarak dağıtılıyor ve proje benchmark tablosunda buna yaslanıyor. Bildirilen rakamlar: kavram araması bellek içi BM25 leksikal puanlama ile 300 mikrosaniyenin altında tamamlanıyor, 50'den fazla kavramdan oluşan bir corpus'un tam ayrıştırılması ve çift yönlü grafik doğrulaması yaklaşık 4 milisaniye sürüyor, süreç soğuk başlangıcı 4 milisaniyenin altında kalıyor ve kullanılan bellek 15 MB'nin altında seyrediyor. Erişim leksikal olduğu için embedding tabanlı değil, hiçbir şekilde vektör veritabanı veya embedding API maliyeti yok.

Karşılaştırma rakamları bağımsız bir değerlendirmeden değil, projenin kendi tablosundan geliyor. O tablo, Python tabanlı vektör veritabanı kurulumlarını (Mem0 ve Letta adını veriyor) kavram başına aramada 150–800 ms ve 1.000 sorgu başına yaklaşık 0,10–0,50 dolar embedding maliyetiyle, Deno ve Node.js araçlarını ise arama başına 40–120 ms ile araya yerleştiriyor. İddiaları desteklemek için depo, kullanıcıların gecikme ve token azaltma ölçümlerini LM Studio veya Ollama üzerinden sunulan yerel modellerle kendi donanımlarında yeniden üretebileceği bir benchmark çalıştırıcısı içeriyor.

CLI ve ajan entegrasyonu

Günlük kullanım okf komut satırı aracı üzerinden yürüyor. Komutlar arasında validate (sıkı mod ve kavramlarıyla artık eşleşmeyen açıklamalar için sapma tespiti ile birlikte), search, show ve tek tek kavramlar için create ve update var. Tek bir bootstrap komutu mevcut bir projeye eksiksiz bir hafıza kurulumi yerleştiriyor: knowledge/ demeti, .agents/skills/okf-memory/ altında bir ajan beceri tanımı, kodlama ajanları için işletim talimatları içeren projeye özel bir AGENTS.md dosyası ve doğrulama ile arama için Makefile görevleri. Kurulum için bir Homebrew formülü sağlanıyor.

Binary ayrıca stdio üzerinden gömülü bir Model Context Protocol (MCP) sunucusu içeriyor; Claude Desktop ve Cursor için örnek yapılandırma mevcut. README, bağlanabileceği ajan platformları arasında Claude Code, Cursor ve Codex'i sayıyor. Araç öncelikle yazılım mühendisliğini hedeflese de format alan bağımsız — depo, mikro hizmet mimarisi örneğinin yanı sıra yönetici koçluğu, edebiyat ve bilişsel bilim için referans demetleriyle geliyor.

Neden önemli

Ajan hafızası sessizce altyapıya dönüşüyor: bir ajanın kod tabanınız hakkında bilmesi, bir sonraki oturumda ne kadar yararlı olduğunu belirliyor. Bugün bu bilgi çoğunlukla ya şişmiş talimat dosyalarında ya da kimsenin diff'leyemeyeceği tescilli vektör depolarında yaşıyor. Hafızayı düz, Git ile izlenen metne dönüştürmek, ajan öğrenmesini gözden geçirilebilir bir şeye çeviriyor — bir pull request yalnızca kod değişikliklerini değil, ajanın tam olarak ne kaydettiğini, düzenlediğini veya emekliye ayırdığını da gösterebiliyor ve git log denetim izi olarak duruyor. Yerel, embeddingsiz arama ayrıca ajanların yürüttüğü sıkı araç çağrısı döngülerinden sorgu başına API maliyetlerini çıkarıyor. Açık soru benimsenme: OKF v0.2 genç bir spesifikasyon ve benchmark rakamları projenin kendi ölçümleri. Ama bir tasarım yönü olarak — hafıza bir kara kutu veritabanı değil, sürümlenmiş düzyazı olarak — dikkat çekici bir işaret.