Brain-AI Memory – लंबे समय तक चलने वाले LLM agents की memory failures का निदान करने वाला open architecture

अगर किसी agent के पुरानी memories इस्तेमाल करने, पहले से दर्ज की गई बात फिर से पूछने, rules को ignore करने, या fallback procedure को बीच में छोड़ देने जैसी सभी समस्याओं को सिर्फ “retrieval problem” माना जाए, तो असली कारण ढूंढना मुश्किल हो जाता है।
Brain-AI Memory कोई ऐसा project नहीं है जो RAG, hook, guard, harness, loop को बस नए नामों से पुकारता हो। यह इन्हें episodic·semantic memory, procedural rule·execution, numerical state, routing, input gate में बांटता है और हर एक की failure conditions और lifecycle को जोड़कर देखता है।
कई महीनों तक वास्तविक multi-project agent system में इस्तेमाल किए गए structure को clean-room तरीके से सार्वजनिक किया गया है। इसमें 60-second execution example, reusable hooks और memory templates, operational rationale, और 500-question LongMemEval-S retrieval results शामिल हैं।
Benchmark के negative results भी जस-के-तस सार्वजनिक किए गए हैं। 96-keyword pointer ने indexed text को 93% घटाया, लेकिन recall@3 full BM25 के 86.1% से घटकर 71.0% हो गया।
खास तौर पर यह feedback चाहिए कि वास्तविक agent failures इस component mapping में कितनी अच्छी तरह फिट होते हैं, और कहां फिट नहीं होते।

[gkgusdl4]

Hindi README:
https://github.com/Hahyun-Lee/brain-ai-memory/blob/main/README.ko.md

60 सेकंड में चलाएँ:
git clone https://github.com/Hahyun-Lee/brain-ai-memory.git
cd brain-ai-memory
python3 examples/01_guard_in_action.py
python3 examples/02_lifecycle_decision.py

खास तौर पर इन दो feedback पर आपकी राय जानना चाहूँगा।

1. क्या वास्तविक long-running agent की failure को इस component mapping से पर्याप्त रूप से अलग-अलग पहचाना जा सकता है?
2. वास्तविक adoption के लिए और ज़्यादा ज़रूरी क्या है: installable reference implementation या end-to-end QA benchmark?