Долгосрочная память для агентов, которые дистиллированы, а не накоплены. Вспомнить работы смыслом, запись закрыта доказательствами, и один сервер может содержать несколько отдельных воспоминаний — по одному на режим агента — поэтому режим переключения переключает то, что Агент помнит.

Корабли как плагин DeepSeek Harness MCP-сервер для любого другого хоста, HTTP-сервис и библиотека Python. Стандарт Только библиотека; нет векторной базы данных, нет вложений, нет фреймворка.

Почему это существует

Две неудачи убивают долговременную память агента, и они убивают его с противоположных сторон.

** Поиск по ключевому слову упускает то, что вам нужно.** Вопрос о выводе “SSD” Чипы" не делится ни словом с памятью под названием “запуск модели 2.6T с уровня SSD”* - Но это одна и та же тема. Поиск слов ничего не возвращает; агент отвечает Нигде. Фиксация здесь не встраивание, а признание: весь индекс (одна строка) на память, записанную как триггер распознавания) переходит в одну подсказку, а небольшая модель Назовите то, что имеет отношение к вопросу. Индекс ~500 воспоминаний составляет около 6k токенов. несколько процентов современного контекстного окна, и оно находится в кэше префикса.

**Письмо отравляет магазин.

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