** 증류된 에이전트를위한 장기 기억, 축적되지 않은. ** meaning에 의해 호출, 쓰기는 evidence에 의해 문지고, 1개의 서버는 붙들 수 있습니다 몇몇 분리되는 기억 — 대리인 형태 당 하나 — 이렇게 엇바꾸기 형태는 무슨을 에이전트 기억.

DeepSeek 하네스 플러그인으로 배송 다른 호스트의 MCP 서버, HTTP 서비스 및 Python 라이브러리. 제품 정보 라이브러리 만; 벡터 데이터베이스 없음, embeddings, 프레임 워크 없음.

---

왜 이 존재

2개의 실패는 대리인의 장기 기억을 죽이고, 그들은 반대 측에서 그것을 죽이.

** 키워드로 검색하면 필요한 것을 놓습니다. ** * “SSD inference에 대한 질문 칩”* 제목 된 메모리와 단어를 공유 “SSD 계층에서 2.6T 모델을 실행” — 그러나 그들은 같은 주제입니다. Word search 반환 아무것도; 에이전트 답변에서 이름 * 수정은 여기에 embeddings 하지만 recognition: 전체 인덱스 (하나 라인 인식 방아쇠로 작성된 메모리 당)는 1개의 신속한, 그리고 작은 모형으로 갑니다 질문에 곰이 무엇인지. ~500 기억의 인덱스는 약 6k 토큰 — 현대 컨텍스트 창의 %, 그것은 접두사 캐시에 앉아.

**모든 독을 저장합니다.

蒸留蔵 — distill-kura

A long-term memory for agents that is distilled, not accumulated. Recall works by meaning, writing is gated by evidence, and one server can hold several separate memories — one per agent mode — so switching mode switches what the agent remembers.

Ships as a DeepSeek Harness plugin, an MCP server for any other host, an HTTP service, and a Python library. Standard library only; no vector database, no embeddings, no framework.

        ┌── recall ──────────────────────────────────────────────┐
        │  question → names a memory? → deterministic hit   ~2 ms│
        │      else → whole index in one prompt → picked slugs   │
        │           → walk [[links]] → the neighbourhood   ~0.4 s│
        └────────────────────────────────────────────────────────┘
        ┌── distil ──────────────────────────────────────────────┐
        │  journal → classed evidence → candidates → GATE        │
        │  → new? → composed → draft → judged → poured           │
        └────────────────────────────────────────────────────────┘

---

Why this exists

Two failures kill an agent’s long-term memory, and they kill it from opposite sides.

Retrieval by keyword misses the thing you needed. A question about “SSD inference chips” shares no word with a memory titled “running the 2.6T model off an SSD tier” — yet they are the same subject. Word search returns nothing; the agent answers from nowhere. The fix here is not embeddings but recognition: the entire index (one line per memory, written as a recognition trigger) goes into one prompt, and a small model names what bears on the question. An index of ~500 memories is around 6k tokens — a few percent of a modern context window, and it sits in the prefix cache.

Writing everything poisons the store. An agent asserts something; a naive distiller records the assertion as a fact; the next agent reads it back as ground truth and repeats it with more confidence. That loop is self-reinforcing, and prompt instructions do not stop it — measured, not assumed. So the write path is gated by deterministic Python: every candidate memory must carry quotes that exist character-for-character in the raw material, tagged with where they came from.

A quote that is not found verbatim is discarded. A candidate with no surviving quote is thrown away. A number with no [TOOL] behind it is stripped. Text crediting the human with a decision, when no [USER] quote survived, is refused at the last gate. Ideas are welcome — they go to a seed file, never to the store, and graduate only when later