Bitware Labs/bwmem
bwmem: minne som överlever sessionen
Minneslagret från vår egen långlivade AI-agent, utbrutet och publicerat som ett fristående SDK. Strukturerade fakta, embeddings, motsägelsehantering och konsolidering i flera steg för AI som måste minnas längre än till nästa tisdag.
Problemet det löser
§ 01 · UtgångspunktAtt koppla en vektordatabas till en chatbot ger något som ser ut som ett minne i ungefär en månad. Sedan fylls databasen med nästan-dubbletter, sökprecisionen sjunker i takt med att datamängden växer, inga gamla påståenden blir någonsin inaktuella, och tokenkostnaden skalar med samtalshistorik snarare än med relevans.
bwmem behandlar minne som en förädlingspipeline snarare än en soptunna. Meddelanden går in; strukturerade fakta, sammanfattningar, embeddings och en kunskapsgraf kommer ut. Ett bakomliggande konsolideringspass (inspirerat av sömn) rensar kontinuerligt upp så att systemet inte slammar igen. Läs mer om resonemanget här.
Prestanda och mätresultat
§ 02 · MätningarMinnessystem är lätta att lova men svåra att verifiera. Systemet som bwmem bröts ut ifrån mäts regelbundet mot LongMemEval, den etablerade standarden för utvärdering av långtidsminne i språkmodeller.
| System | Läsar-modell | Återsökning | Resultat |
|---|---|---|---|
| bwmem (v0.11 engine preview) | qwen3.8-max | adaptive | 85.0% |
| bwmem (v0.11 engine preview) | glm-5.3 | adaptive | 81.7% |
| bwmem (v0.11 engine preview) | gemini-3.7-flash | adaptive | 81.7% |
| bwmem (v0.11 engine preview) | muse-spark-1.2 | adaptive | 80.0% |
| bwmem (v0.11 engine preview) | solar-pro4 | adaptive | 80.0% |
| bwmem (v0.11 engine preview) | qwen3.7-flash | adaptive | 78.3% |
| bwmem (v0.11 engine preview) | glm-5.3-flash | adaptive | 78.3% |
| bwmem (v0.11 engine preview) | gpt-5.6-sol-pro | adaptive | 75.0% |
| bwmem (v0.11 engine preview) | qwen3.8-flash | adaptive | 75.0% |
| bwmem (v0.11 engine preview) | ling-3.0-flash | adaptive | 71.7% |
| bwmem (v0.11 engine preview) | deepseek-v4-pro | adaptive | 70.0% |
| bwmem (v0.11 engine preview) | deepseek-v4-flash-0731 | adaptive | 63.3% |
| bwmem's parent stack (MemoryCore) | solar-pro4 | 25 | 78.3% |
| bwmem (0.10.x release) | deepseek-v4-pro | 25 | 77.5% |
| bwmem (0.10.x release) | deepseek-v4-flash-0731 | 25 | 69.0% |
| teoretiskt tak: perfekt återsökning | deepseek-v4-pro | · | 88.3% |
| bwmem's parent stack | deepseek-v4-pro | 25 | 81.7% |
| bwmem's parent stack | gpt-4o | 25 | 78.3% |
| Zep (självrapporterat) | · | · | 63.8–71.2% |
| mem0 (självrapporterat) | · | · | ~49% |
Hur arkitekturen fungerar
§ 03 · Arkitekturbwmem är uppbyggt i fyra distinkta skikt som samverkar:
- 1. Episodisk loggning: Varje meddelande och händelse sparas med tidsstämpel och sessionstillhörighet.
- 2. Extraktion av bitemporala fakta: Fakta lagras med två tidsaxlar: när informationen registrerades och under vilket tidsintervall faktumet faktiskt gäller i verkligheten.
- 3. Motsägelsefilter: Nya fakta jämförs automatiskt mot befintliga påståenden för att upptäcka ändrade preferenser eller föråldrad kunskap.
- 4. Nattlig konsolidering: Rutiner sammanfattar sessioner, gallrar bort redundans och uppdaterar kunskapsgrafen.
Installation och användning
§ 04 · SDKInstallera via npm:
npm install @bitwarelabs/bwmemKomplett dokumentation och kodexempel finns på npm och GitHub under AGPL-3.0.