Устойчивая память для агентов ИИ. LLM-agnostic работает с любым клиентом MCP.

Звездная история

Что это делает

Большинство агентов ИИ забывают все, когда сеанс заканчивается. cortex-engine исправляет это — это дает агентам постоянный слой памяти, который выживает во время сеансов, моделей и времени выполнения.

Семантическая память — храните и извлекайте наблюдения, убеждения, вопросы и гипотезы как взаимосвязанные узлы. ** Отслеживание убеждений** — агенты занимают позиции, которые обновляются, когда им противоречат новые доказательства ** Двухфазная консолидация сновидений** — сжатие NREM (кластер, уточнение, создание) + интеграция REM (соединение, оценка, абстракция) — смоделировано на биологических стадиях сна ** Целенаправленное познание** — goal_set создает желаемые будущие состояния, которые генерируют ошибку прогнозирования, предвзятую консолидацию и исследование к тому, что имеет значение.

• **Нейронаука-обоснованное извлечение ** - агрегация окрестностей GNN, активация с расширением, обусловленная запросами, многоякорное голосование Thousand Brains, эпистемический фураж Информационная геометрия — локально-адаптивные пороги кластеризации, учитывающие встраиваемую кривизну пространства, оценку конгруэнтности схемы

@fozikio/cortex-engine

Persistent memory for AI agents. Open source, LLM-agnostic, works with any MCP client.

Star History

What It Does

Most AI agents forget everything when the session ends. cortex-engine fixes that — it gives agents a persistent memory layer that survives across sessions, models, and runtimes.

• Semantic memory — store and retrieve observations, beliefs, questions, and hypotheses as interconnected nodes
• Belief tracking — agents hold positions that update when new evidence contradicts them
• Two-phase dream consolidation — NREM compression (cluster, refine, create) + REM integration (connect, score, abstract) — modeled on biological sleep stages
• Goal-directed cognition — goal_set creates desired future states that generate forward prediction error, biasing consolidation and exploration toward what matters
• Neuroscience-grounded retrieval — GNN neighborhood aggregation, query-conditioned spreading activation, multi-anchor Thousand Brains voting, epistemic foraging
• Information geometry — locally-adaptive clustering thresholds that respect embedding space curvature, schema congruence scoring
• Graph health metrics — Fiedler value (algebraic connectivity) measures knowledge integration; PE saturation detection prevents identity model ossification
• Spaced repetition (FSRS) — interval-aware scheduling with consolidation-state-dependent decay profiles