yantrikos/yantrikdb-server
Deployment & DevOpsこのページは AI により自動翻訳されています。技術的な詳細は原文をご確認ください。 原文を見る
AIエージェント向けの認知記憶データベース — 重複を統合し、矛盾を検出し、時間的衰退によって古い記憶をフェードアウトします。Rust、Apache-2.0はライブラリ/MCPサーバー/HTTPクラスターとして出荷されます。
概要
⚠ 本日早朝に提出されたフェーズ3のベンチマーク作成(docs/phase3a/、docs/phase3b/、docs/phase3c/、docs/phase3d/)は、「構造化メモリ」条件のためにPythonシミュレータを使用しており、実際のyantrikdbエンジンではありません。実際のyantrikdbでの再実行はdocs/phase3e/にあります。完全な監査記録、予備的な修正数値、そして調査結果投稿の正確な公開ゲートは、すでに CORRECTIONS.md 中です。 ベクターデータベースは記憶を保存します。管理はしません。1万個の記憶を経て、記憶の質は低下します。なぜなら、統合も忘れも紛争解決もできないからです。AIエージェントはただノイズが増していきます。 YantrikDBは異なります。埋め込み、サーバーとして運用するか、MCP経由で接続するかです。何を保存するかを意識しています。 Claude Code / Cursor / Windsurf →のMCPセットアップ(Pipインストール1つ、設定ブロック1つ)。 YantrikDBは、YantrikOSへと進むためのメモリ層です。YantrikOSは、エージェントがトップのアプリではなく、一流のプリミティブであるAIネイティブのオペレーティングシステムです。
概要（AI 翻訳）
⚠ 訂正通知(2026年4月19日): フェーズ3ベンチマークレポートのコミット 本日早く(
docs/phase3a/、docs/phase3b/、docs/phase3c/)、docs/phase3d/)は「構造化メモリ」としてPythonシミュレーターを使用していました 条件 — 実際のyantrikdbエンジンではありません。実際のyantrikdbで再実行してくださいdocs/phase3e/に記載されています。完全な監査記録、予備的 修正された数字と、調査結果投稿の正確な公開ゲートCORRECTIONS.mdにいます。
記憶データベースで、矛盾を忘れ、統合し、検出します。
ベクターデータベースは記憶を保存します。管理はしません。1万個の記憶を経て、記憶の質は低下します。なぜなら、統合も忘れも紛争解決もできないからです。AIエージェントはただノイズが増していきます。
YantrikDBは異なります。それは認知記憶エンジンです。埋め込み、サーバーとして実行、MCP経由で接続できます。何を保存するかを考えます。
最短の試し方法: Claude Code / Cursor / Windsurf →のMCPセットアップ([[T6]1つ、設定ブロック1つ)。
全体像: YantrikDBは、エージェントがアプリではなく一流のプリミティブであるAIネイティブOSであるYantrikOSへの道のりで構築されているメモリ層です。
このページは AI により自動翻訳されています。技術的な詳細は原文をご確認ください。
README
以下は原文 README の抜粋です。原文を見る。
YantrikDB
⚠ Correction notice (2026-04-19): Phase 3 benchmark writeups committed earlier today (
docs/phase3a/,docs/phase3b/,docs/phase3c/,docs/phase3d/) used a Python simulator for the “structured memory” condition — NOT the actual yantrikdb engine. Rerun with real yantrikdb is indocs/phase3e/. Full audit trail, preliminary corrected numbers, and the exact publication gate for a findings post are inCORRECTIONS.md.
A memory database that forgets, consolidates, and detects contradictions.
Vector databases store memories. They don’t manage them. After 10,000 memories, recall quality degrades because there’s no consolidation, no forgetting, no conflict resolution. Your AI agent just gets noisier.
YantrikDB is different. It’s a cognitive memory engine — embed it, run it as a server, or connect via MCP. It thinks about what it stores.
Shortest path to try it: MCP setup for Claude Code / Cursor / Windsurf → (one pip install, one config block).
The bigger picture: YantrikDB is the memory layer being built on the road to YantrikOS — an AI-native operating system where agents are first-class primitives, not apps on top. Memory was the bottleneck, so we’re shipping it first.
📄 New paper (May 2026): Skill as Memory, Not Document — measuring three failure modes when agent skill catalogs scale to 5,000 skills. Code + raw CSVs reproducible in
benchmarks/skill_recall/.
99.9% token savings vs file-based memory
| Memories | File-Based (CLAUDE.md) | YantrikDB | Token Savings | Recall Precision |
|---|---|---|---|---|
| 100 | 1,770 tokens | 69 tokens | 96% | 66% |
| 500 | 9,807 tokens | 72 tokens | 99.3% | 77% |
| 1,000 | 19,988 tokens | 72 tokens | 99.6% | 84% |
| 5,000 | 101,739 tokens | 53 tokens | 99.9% | 88% |
At 500 memories, file-based memory exceeds 32K context. At 5,000, it doesn’t fit in any model — not even 200K. YantrikDB stays at ~70 tokens per query. Precision improves with more data — the opposite of context stuffing.
インストール
docker run -p 7438:7438 ghcr.io/yantrikos/yantrikdb:latest設定
{
"mcpServers": {
"yantrikdb": {
"command": "yantrikdb-mcp"
}
}
}