На Hacker News появился проект OKF Agent Memory — реализация постоянной памяти для AI-кодинг-агентов на основе открытого формата знаний Google OKF v0.2. Проект решает фундаментальную проблему: при закрытии контекстного окна агент теряет архитектурные решения, обнаруженные доменные закономерности и операционные факты.
Как устроена OKF Agent Memory
Память хранится прямо в репозитории в виде обычных Markdown-файлов с YAML-фронтматером в директории knowledge/. Это не очередной черный ящик вроде векторной базы данных, а прозрачная, версионируемая через Git структура. Проект состоит из пяти уровней:
Спецификация OKF v0.2 — нормативный формат Markdown и YAML
Конвенция поведения агента — правила поиска, рецензирования и доверия
Навык агента — LLM-промпты и операционные рабочие процессы
Инструментарий — Go-библиотека и CLI с детерминированным парсингом, валидацией, поиском и MCP-сервером
Корпус знаний проекта — knowledge/ OKF Bundle
Ключевые технические характеристики
Разработчики приводят впечатляющие бенчмарки производительности: поиск через in-memory BM25 занимает менее 300 микросекунд, валидация графа — около 4 миллисекунд. CLI запускается за 5 мс, а вся тулчейн написан на Go с нулевыми внешними зависимостями — один бинарник без лишних слоев.
Принцип progressive disclosure
Вместо загрузки всего контекста агент использует иерархические index.md и графы ссылок, загружая только те концепты, которые реально нужны для текущей задачи. Это решает проблему разбухания контекста и «гниения» памяти.
Search-before-write
Мандат на запрос существующей памяти перед созданием новой записи предотвращает дублирование концептов и галлюцинаторное расхождение в архитектурных решениях.
Практические ограничения
Проект находится на ранней стадии — на момент публикации у него 1 балл на Hacker News и отсутствуют комментарии. Нет данных о production-внедрениях. Формат OKF v0.2 пока не является широко принятым стандартом, хотя опирается на наработки Google.
Zero API costs vs zero vendor lock-in
Отказ от векторных эмбеддингов дает нулевую стоимость API для поиска, но ограничивает семантическое понимание — BM25 работает на лексическом совпадении, а не на смысловой близости. Для кодинг-агентов это может быть приемлемо, но для более сложных задач потребуется гибридный подход.
Источники
Репозиторий проекта на GitHub: https://github.com/okf-memory/okf-agent-memory
Обсуждение на Hacker News: https://news.ycombinator.com/item?id=49581240
Спецификация OKF v0.2: https://github.com/google/okf