yantrikos/yantrikdb-server
Deployment & DevOps이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요. 원문 보기
AI 에이전트용 인지기억 데이터베이스 — 중복을 통합하고, 모순을 감지하며, 시간 부패를 통해 오래된 기억을 희미하게 합니다. Rust, Apache-2.0, 라이브러리 / MCP 서버 / HTTP 클러스터로 출시됩니다.
개요
⚠ 오늘 일찍 제출된 3단계 벤치마크 문서들(docs/phase3a/, docs/phase3b/, docs/phase3c/, docs/phase3d/)은 실제 yantrikdb 엔진이 아닌 '구조화된 메모리' 조건에 대해 Python 시뮬레이터를 사용했습니다. 실제 yantrikdb로 재실행한 내용은 docs/phase3e/에 있습니다. 전체 감사 기록, 예비 수정 수치, 그리고 연구 결과의 정확한 출판 게이트는 CORRECTIONS.md 있습니다. 벡터 데이터베이스는 기억을 저장합니다. 하지만 관리하지 않습니다. 1만 개의 기억이 지나면 기억의 질이 떨어집니다. 왜냐하면 통합, 잊기, 갈등 해결이 없기 때문입니다. AI 에이전트는 점점 더 시끄러워집니다. YantrikDB는 다릅니다. 임베드하거나, 서버로 실행하거나, MCP를 통해 연결할 수 있습니다. 무엇을 저장할지 고민합니다. Claude Code / 커서 / Windsurf →용 MCP 설정 (한 개의 Pip 설치, 하나의 설정 블록). YantrikDB는 YantrikOS로 가는 길에서 구축 중인 메모리 계층입니다 — AI 네이티브 운영체제로, 에이전트가 앱 위에 있는 앱이 아닌 일류 원시 시스템입니다.
개요(AI 번역)
⚠ 정정 공지 (2026-04-19): 3단계 벤치마크 작성 완료 오늘 일찍 (
docs/phase3a/,docs/phase3b/,docs/phase3c/,docs/phase3d/)는 "구조화된 메모리"를 위해 파이썬 시뮬레이터를 사용했습니다 조건 — 실제 yantrikdb 엔진이 아닙니다. 실제 yantrikdb로 재실행docs/phase3e/에 있습니다. 전체 감사 기록, 예비 수정된 수치와 연구 결과의 정확한 출판 문입니다CORRECTIONS.md에 속해 있습니다.
기억 데이터베이스는 모순을 잊고, 통합하며, 감지합니다.
벡터 데이터베이스는 기억을 저장합니다. 하지만 관리하지 않습니다. 1만 개의 기억이 지나면 기억의 질이 떨어집니다. 왜냐하면 통합, 잊기, 갈등 해결이 없기 때문입니다. AI 에이전트는 점점 더 시끄러워집니다.
YantrikDB는 다릅니다. 이것은 인지 기억 엔진입니다 — 임베드링, 서버로 실행, MCP로 연결할 수 있습니다. 무엇을 저장할지 생각합니다.
가장 짧은 시도 경로: Claude 코드 / 커서 / 윈드서프 → MCP 설정 (pip install]], 설정 블록 1개).
더 큰 그림: YantrikDB는 YantrikOS로 가는 길에서 구축 중인 메모리 계층입니다 — 에이전트가 일류 프리미티브인 AI 네이티브 운영체제로, 앱 위에 올라온 앱이 아닙니다.
이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요.
README
원문 README의 일부입니다. 원문 보기.
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.
설치
docker run -p 7438:7438 ghcr.io/yantrikos/yantrikdb:latest설정
{
"mcpServers": {
"yantrikdb": {
"command": "yantrikdb-mcp"
}
}
}