Сравнение поставщиков памяти агентов: политика захвата и self-hosting

Обновлено в сентябре 2026: добавлены Mnemosyne и Memori, расширены настройки Honcho и Hindsight, а также добавлено сравнение политик захвата памяти (capture-policy) рядом с исходной таблицей инфраструктуры.

Современные ассистенты по-прежнему всё забывают при закрытии вкладки, если ничего не сохраняется за пределами окна контекста. Провайдеры памяти агентов — это сервисы или библиотеки, которые хранят факты и сводки между сессиями — часто подключаемые как плагины, чтобы фреймворк оставался тонким, а память масштабировалась.

Это руководство сравнивает бэкенды памяти, поставляемые как внешние плагины памяти для Hermes Agent — Honcho, OpenViking, Mem0, Hindsight, Holographic, RetainDB, ByteRover, Supermemory, Mnemosyne и Memori — и объясняет, как они встраиваются в более широкие стеки систем ИИ. Те же провайдеры встречаются в OpenClaw и других инструментах агентов через общедоступные или официальные интеграции. В хабе памяти для систем ИИ эта статья указана вместе с Cognee и связанными руководствами.

Для информации об ограниченном ядре памяти, специфичном для Hermes (MEMORY.md и USER.md), поведении замораживания и триггерах, см. Систему памяти Hermes Agent. Для контекста о том, как нативные провайдеры памяти Hermes способствуют ее растущему преимуществу в принятии по сравнению с OpenClaw — включая количество звезд на GitHub, рейтинги токенов OpenRouter и сравнения размера экосистемы — см. OpenClaw vs Hermes Agent: Звезды, загрузки и использование 2026.

Существует еще одна ось, важная не меньше качества поиска: управление памятью. Провайдеры сильно различаются в том, что они автоматически захватывают, может ли результат, сгенерированный ассистентом, стать долговременной памятью, сохраняются ли рефлексии как факты, как разрешаются противоречия и может ли человек просмотреть запись до того, как она станет будущим контекстом. Для долгоживущих агентов эти различия могут иметь большее значение, чем еще несколько пунктов в бенчмарке воспроизведения — см. Самоусиливающиеся петли памяти в ИИ-агентах о том, почему автоматический захват может превратить сгенерированный вывод в будущую посылку, и Mnemosyne для Hermes Agent: Быстрый старт локальной памяти для примера консервативной конфигурации.

Hermes Agent перечисляет десять внешних плагинов провайдеров памяти для долговременных, межсессионных знаний — исходные восемь плюс Mnemosyne и Memori. Только один внешний провайдер может быть активен в любой момент времени. Встроенные MEMORY.md и USER.md остаются загруженными рядом с ним — добавительно, а не вместо.

Внешние зависимости. Каждый внешний провайдер, кроме Holographic, требует как минимум одного внешнего вызова сервиса — LLM для извлечения памяти, модель эмбеддингов для семантического поиска или базу данных, такую как PostgreSQL, для хранения. Эти зависимости имеют прямые последствия для конфиденциальности, стоимости и того, может ли ваш стеки памяти работать полностью самостоятельно. Hindsight, ByteRover и Mnemosyne объединяют или устраняют наибольшее количество зависимостей; Honcho, Mem0 и Supermemory требуют наибольшее количество компонентов. Если провайдер поддерживает Ollama или любой OpenAI-совместимый конечный пункт, вы можете направить вызовы LLM и эмбеддингов на локальную модель и полностью сохранить данные вне сторонних серверов.

Активация с Hermes Agent

Шаги командной строки ниже соответствуют таблицам в шпаргалке CLI Hermes Agent.

hermes memory setup   # Интерактивный выборщик + конфигурация
hermes memory status  # Проверить, что активно
hermes memory off     # Отключить внешнего провайдера

Или вручную в ~/.hermes/config.yaml:

memory:
  provider: openviking  # или honcho, mem0, hindsight, holographic, retaindb, byterover, supermemory, mnemosyne, memori

Сравнение провайдеров

Политика захвата и управление

Хранилище и зависимости отвечают на вопрос «могу ли я это запустить?». Таблица ниже отвечает на другой вопрос, который важен не меньше для долгоживущих агентов: что записывается без запроса и может ли человек или политика вмешаться, прежде чем это станет долговременным? См. Самоусиливающиеся петли памяти в ИИ-агентах о том, почему эта ось важна.

Это категории архитектурных рисков, а не оценки качества — тщательно настроенный сложный провайдер может быть безопаснее на практике, чем плохо настроенный простой.

Подробный разбор

Honcho

Лучше всего для: многоагентных систем, межсессионного контекста, выравнивания пользователь-агент.

Honcho работает параллельно с существующей памятью — USER.md остается как есть, а Honcho добавляет дополнительный слой контекста. Он моделирует разговоры как равных, обменивающихся сообщениями — один пользовательский равный плюс один ИИ-равный на профиль Hermes, все разделяя рабочее пространство.

Внешние зависимости: Honcho требует LLM для суммирования сессий, вывода пользовательского представления и диалектического рассуждения; модель эмбеддингов для семантического поиска по наблюдениям; PostgreSQL с расширением pgvector для векторного хранения; и Redis для кэширования. Управляемое облако на api.honcho.dev обрабатывает все это за вас. Для развёртывания с самостоятельным хостингом (Docker, K3s или Fly.io) вы предоставляете свои собственные учетные данные. Слот LLM принимает любой OpenAI-совместимый конечный пункт, включая Ollama и vLLM, поэтому инференс может оставаться на территории. Слот эмбеддингов по умолчанию openai/text-embedding-3-small, но поддерживает настраиваемых провайдеров через LLM_EMBEDDING_API_KEY и LLM_EMBEDDING_BASE_URL — работает любой OpenAI-совместимый сервер эмбеддингов, включая локальные варианты, такие как vLLM с моделью BGE.

Инструменты: honcho_profile (чтение/обновление карточки равного), honcho_search (семантический поиск), honcho_context (контекст сессии — сводка, представление, карточка, сообщения), honcho_reasoning (синтезированное LLM), honcho_conclude (создание/удаление выводов).

Ключевые параметры конфигурации:

• contextCadence (по умолчанию 1): Минимальное количество ходов между обновлениями базового слоя
• dialecticCadence (по умолчанию 2): Минимальное количество ходов между вызовами LLM peer.chat() (рекомендуется 1-5)
• dialecticDepth (по умолчанию 1): Количество проходов .chat() за вызов (ограничено 1-3)
• recallMode (по умолчанию ‘hybrid’): hybrid (авто+инструменты), context (только инъекция), tools (только инструменты)
• writeFrequency (по умолчанию ‘async’): Время сброса: async, turn, session или целое число N
• observationMode (по умолчанию ‘directional’): directional (все включены) или unified (общий пул)

Режимы наблюдения и самомоделирование. directional, значение по умолчанию для новых конфигураций, позволяет как пользовательскому, так и ИИ-равному наблюдать за собой и друг за другом — более богатое диалектическое рассуждение, но это также означает, что сообщения, созданные ИИ, вносят вклад в модель Honcho самого ИИ. unified — более консервативный вариант: ИИ моделирует пользователя из пользовательских сообщений, не строя соответствующую петлю самонаблюдения из своего собственного вывода. Те, кто особенно обеспокоен тем, что сгенерированные выводы попадают обратно в будущие рассуждения, — см. Самоусиливающиеся петли памяти в ИИ-агентах — должны рассматривать unified как более безопасное значение по умолчанию.

Архитектура: Двухслойная инъекция контекста — базовый слой (сводка сессии + представление + карточка равного) + диалектическое дополнение (рассуждение LLM). Автоматически выбирает промпты холодного старта и теплого.

Картирование нескольких равных: Рабочее пространство — это общее окружение для профилей. Пользовательский равный (peerName) — это глобальная человеческая идентичность. ИИ-равный (aiPeer) — один на профиль Hermes (hermes по умолчанию, hermes.<профиль> для других).

Установка:

hermes memory setup  # выберите "honcho"
# или устаревший: hermes honcho setup

Конфигурация: $HERMES_HOME/honcho.json (локальная для профиля) или ~/.honcho/config.json (глобальная).

Управление профилями:

hermes profile create coder --clone  # Создает hermes.coder с общим рабочим пространством
hermes honcho sync                   # Заполняет ИИ-равных для существующих профилей

OpenViking

Лучше всего для: самостоятельного хостинга управления знаниями со структурированным просмотром.

OpenViking предоставляет иерархию файловой системы с поуровневой загрузкой. Это бесплатно, самостоятельно хостится, и дает вам полный контроль над вашим хранилищем памяти.

Внешние зависимости: OpenViking требует VLM (модель зрения-языка) для семантической обработки и извлечения памяти, а также модель эмбеддингов для векторного поиска — оба являются обязательными. Поддерживаемые провайдеры VLM включают OpenAI, Anthropic, DeepSeek, Gemini, Moonshot и vLLM (для локального развёртывания). Для эмбеддингов поддерживаемые провайдеры включают OpenAI, Volcengine (Doubao), Jina, Voyage и — через Ollama — любую локально обслуживаемую модель эмбеддингов. Интерактивный мастер openviking-server init может обнаруживать доступную RAM и рекомендовать подходящие модели Ollama (например, Qwen3-Embedding 8B для эмбеддингов, Gemma 4 27B для VLM) и настроить все автоматически для полностью локальной конфигурации с нулевым API-ключом. Внешняя база данных не требуется; OpenViking хранит память в файловой системе.

Инструменты: viking_search, viking_read (по уровням), viking_browse, viking_remember, viking_add_resource.

Память пользователя против памяти агента. Модель идентичности OpenViking может разделять пространство имен памяти пользователя и необязательного ассистентного равного. Это разделение важно для гигиены памяти: факты о пользователе и опыт, сгенерированный агентом, не должны разделять одну и ту же политику удержания, что является полезным свойством, если вы хотите изолировать состояние, созданное ассистентом, от состояния, созданного пользователем.

Установка:

pip install openviking
openviking-server init   # интерактивный мастер (рекомендует модели Ollama для локальной настройки)
openviking-server
hermes memory setup  # выберите "openviking"
echo "OPENVIKING_ENDPOINT=http://localhost:1933" >> ~/.hermes/.env

Mem0

Лучше всего для: управления памятью без вмешательства с автоматическим извлечением.

Mem0 обрабатывает извлечение памяти на стороне сервера через вызов LLM для каждой операции add — он читает разговор, извлекает дискретные факты, удаляет дубликаты и сохраняет их. Управляемое облачное API обрабатывает всю инфраструктуру. Библиотека с открытым исходным кодом и сервер с самостоятельным хостингом дают вам полный контроль.

Внешние зависимости: Mem0 требует LLM для извлечения памяти (по умолчанию: OpenAI gpt-4.1-nano; поддерживается 20 провайдеров, включая Ollama, vLLM и LM Studio для локальных моделей) и модель эмбеддингов для поиска (по умолчанию: OpenAI text-embedding-3-small; поддерживается 10 провайдеров, включая Ollama и HuggingFace для локальных моделей). Хранение использует Qdrant в /tmp/qdrant в режиме библиотеки или PostgreSQL с pgvector в режиме сервера с самостоятельным хостингом — оба могут работать локально. Полностью локальный стеки Mem0 с нулевым облаком возможен: Ollama для LLM, Ollama для эмбеддингов и локальный экземпляр Qdrant, все настроено через Memory.from_config.

Mem0 по своей сути является системой извлечения: LLM превращает разговорный материал в дискретные воспоминания и выполняет логику удаления дубликатов и обновления. Это удобно, но это означает, что происхождение извлечения важно — сгенерированный вывод ассистента может стать структурно неразличимым с фактом, заявленным пользователем, если путь захвата не отфильтрует его до запуска извлечения.

Инструменты: mem0_profile, mem0_search, mem0_conclude.

Установка:

pip install mem0ai
hermes memory setup  # выберите "mem0"
echo "MEM0_API_KEY=ваш-ключ" >> ~/.hermes/.env

Конфигурация: $HERMES_HOME/mem0.json (user_id: hermes-user, agent_id: hermes).

Hindsight

Лучше всего для: воспроизведения на основе графа знаний с отношениями между сущностями.

Hindsight строит граф знаний вашей памяти, извлекая сущности и отношения. Его уникальный инструмент reflect выполняет синтез между воспоминаниями — объединяя несколько воспоминаний в новые идеи. Поиск выполняет четыре стратегии извлечения параллельно (семантическая, ключевые слова/BM25, обход графа, временна), затем объединяет и переупорядочивает результаты с использованием обратного рангового слияния.

Внешние зависимости: Hindsight требует LLM для извлечения фактов и сущностей при вызовах retain и для синтеза при вызовах reflect (по умолчанию: OpenAI; поддерживаемые провайдеры включают Anthropic, Gemini, Groq, Ollama, LM Studio и любой OpenAI-совместимый конечный пункт). Эмбеддинги и реранкинг по умолчанию используют локальные модели в процессе (SentenceTransformers; толстый образ Docker/hindsight-all содержит BGE + MiniLM), и вы можете заменить их на другие локальные модели или внешний OpenAI-совместимый / TEI конечный пункт — например, Qwen3-Embedding-0.6B и BGE-reranker-v2-m3 на CPU. PostgreSQL включен через управляемый каталог данных pg0, или вы можете направить Hindsight на внешний экземпляр PostgreSQL. Для полностью локального генеративного пути установите HINDSIGHT_API_LLM_PROVIDER на локальный OpenAI-совместимый сервер (Ollama или llama.cpp); retain и recall работают полностью, а reflect требует модели с возможностью вызова инструментов.

Инструменты: hindsight_retain, hindsight_recall, hindsight_reflect (уникальный синтез между воспоминаниями).

Установка:

hermes plugins install hindsight
hermes memory setup hindsight   # выберите local_external для отдельного API Hindsight

Облачный режим по-прежнему принимает API-ключ в ~/.hermes/.env. Установка с самостоятельным хостингом использует Docker Compose против встроенного или существующего PostgreSQL — см. пошаговое руководство, ссылку на которое приведено ниже. Требуется актуальная пара клиента/API Hindsight (документация плагина указывает >= 0.4.22).

Конфигурация: $HERMES_HOME/hindsight/config.json

• mode: cloud, local или local_external
• recall_budget: low / mid / high
• memory_mode: hybrid / context / tools
• auto_retain / auto_recall: true (по умолчанию)

Локальный UI: hindsight-embed -p hermes ui start

Для полного пошагового руководства по самостоятельному хостингу — Docker Compose, локальные эмбеддинги и реранкинг, контроль пути записи (auto_retain) и проводка local_external в Hermes — см. Hindsight для Hermes Agent: Память с самостоятельным хостингом с локальными LLM.

Для консервативной гигиены памяти стоит рассмотреть установку auto_retain=false, оставив auto_recall=true — семантический поиск остается доступным, но завершенные ходы больше не попадают в долговременную память автоматически. Рассматривайте вывод reflect как производные знания, синтезированные между воспоминаниями, а не как независимое наблюдение с той же доказательной силой, что и воспоминания, из которых оно было создано.

Holographic

Лучше всего для: ориентированных на конфиденциальность настроек с локальным хранением.

Holographic использует алгебру HRR (Holographic Reduced Representation) для кодирования памяти, со скорингом доверия для надежности памяти. Нет зависимости от облака — все работает локально на вашем собственном оборудовании.

Внешние зависимости: Нет. Holographic не требует LLM, модели эмбеддингов, базы данных и сетевого соединения. Кодирование памяти выполняется полностью через алгебру HRR, работающую в процессе. Это делает его уникальным среди всех провайдеров в этом сравнении — это единственный, который работает с нулевыми внешними вызовами. Компромисс состоит в том, что качество поиска ниже, чем у семантического поиска на основе эмбеддингов, и нет синтеза между воспоминаниями, как reflect в Hindsight. Для пользователей, для которых конфиденциальность и работа с нулевыми зависимостями не подлежат обсуждению, Holographic — единственный вариант, который предоставляет это безусловно.

auto_extract по умолчанию false, поэтому Holographic может работать в первую очередь как небольшая явная база фактов с оценками доверия, а не как автономный конвейер от транскрипта к памяти. В сочетании с нулевыми зависимостями это делает его одним из двух самых простых вариантов — наряду с Mnemosyne — для читателей, которые намеренно не хотят автоматического захвата.

Инструменты: 2 инструмента для операций памяти через алгебру HRR.

Установка:

hermes memory setup  # выберите "holographic"

RetainDB

Лучше всего для: высокочастотных обновлений с дельта-сжатием.

RetainDB использует дельта-сжатие для эффективного хранения обновлений памяти и гибридный поиск (векторный + BM25 + реранкинг) для вывода релевантного контекста. Это облачное решение со стоимостью $20/месяц, где вся обработка памяти обрабатывается на стороне сервера.

Внешние зависимости: Вызовы LLM RetainDB, конвейер эмбеддингов и реранкинг работают на собственной облачной инфраструктуре RetainDB — вы предоставляете только RETAINDB_KEY. Извлечение памяти использует Claude Sonnet на стороне сервера. Нет варианта самостоятельного хостинга и нет локального режима. Все разговорные данные отправляются на серверы RetainDB для обработки и хранения. Если суверенитет данных или автономная работа важны для вашего случая, этот провайдер не подходит.

Инструменты: retaindb_profile (профиль пользователя), retaindb_search (семантический поиск), retaindb_context (контекст, относящийся к задаче), retaindb_remember (сохранить с типом + важностью), retaindb_forget (удалить воспоминания).

Интеграция RetainDB с Hermes выросла за пределы удаленной базы данных памяти — теперь она включает диалектический синтез и самомодель агента, что архитектурно приближает ее к Honcho, а не к простому векторному хранилищу. Это полезно для непрерывности, но также повышает важность разделения исходных фактов с сгенерированной интерпретацией, та же озабоченность, что и для режима directional Honcho.

Установка:

hermes memory setup  # выберите "retaindb"

Mnemosyne

Лучше всего для: локальной памяти с гранулярным контролем удержания, проверяемым хранилищем SQLite, структурированными фактами, временной памятью и настраиваемой консолидацией.

Mnemosyne — не один из исходных встроенных провайдеров памяти Hermes — он поставляется как отдельный плагин провайдера Hermes, но интегрируется через тот же интерфейс MemoryProvider. Его главное преимущество — контроль: автосохранение разговора может быть ограничено по роли или полностью отключено с sync_roles: [], журнал результатов инструментов отключен по умолчанию, явные операции remember/recall/forget остаются доступными независимо, а более новые версии включают необязательное подавление самоэха вокруг границ сжатия контекста.

Внешние зависимости: Нет для установки core; дополнительный пакет embeddings добавляет локальный векторный поиск. Хранение — локальный SQLite с FTS5 и необязательным векторным поиском. Система также поддерживает рабочую память, эпизодическую память, структурированные факты, временные тройки, канонические факты и консолидацию.

Mnemosyne также реализует специфичное для провайдера пошаговое хранилище для memory.write_approval в Hermes, хотя одобрение внешних провайдеров еще не стандартизировано в Hermes, поэтому этот путь следует протестировать против точных версий, которые развертываются. Дополнительная сложность имеет свою цену: производная память создает больше состояний жизненного цикла, которые нужно проверять и очищать. Недавние выпуски Mnemosyne специально ужесточили валидацию конфликтов, поведение удаления и обработку самоэха — см. Самоусиливающиеся петли памяти в ИИ-агентах о производственной аудите, которая мотивировала изменение валидации конфликтов.

Установка:

python -m pip install "mnemosyne-memory[embeddings]" mnemosyne-hermes
mnemosyne-hermes install
hermes config set memory.provider mnemosyne

Для полной установки и обзора консервативной конфигурации см. Mnemosyne для Hermes Agent: Быстрый старт локальной памяти.

Memori

Лучше всего для: агентов, где история выполнения важна не меньше, чем история разговора.

Memori — это более новая интеграция Hermes, сфокусированная на структурированной памяти, учитывающей инструменты. Он захватывает завершенные ходы вместе с доступным контекстом выполнения — использованием инструментов, шагами воркфлоу, решениями, результатами и ограничениями, — что отлично подходит для запоминания операционной работы, но также создает более крупную поверхность обратной связи, поскольку действия, решения модели и результаты инструментов могут стать долговременной структурированной памятью.

В отличие от провайдеров, которые в первую очередь inject большой блок памяти перед каждым ходом, Memori предоставляет явные инструменты поиска и сводки поиска, позволяя агенту получать операционный контекст, когда он действительно ему нужен, а не для каждого промпта. Это снижает загрязнение промпта, но не устраняет риск обратной связи на стороне записи само по себе — завершенные ходы и следы выполнения по-прежнему могут захватываться автоматически в фоне, поэтому Memori подходит пользователям, которые хотят, чтобы агент учился на предыдущей работе, а не установкам, требующим строгого только явного удержания.

Установка:

pip install hermes-memori
hermes memory setup  # выберите "memori"

ByteRover

Лучше всего для: локальной памяти с читаемой человеком, проверяемой памятью.

ByteRover хранит память как структурированное контекстное дерево в формате markdown — иерархию файлов областей, тем и подтем — а не векторы эмбеддингов или базу данных. LLM читает исходный контент, рассуждает о нем и размещает извлеченные знания в нужном месте иерархии. Поиск — это полнотекстовый поиск MiniSearch с поуровневым резервным переключением на поиск, управляемый LLM, без необходимости в векторной базе данных.

Внешние зависимости: ByteRover требует LLM для курации памяти и поиска (поддерживается 18 провайдеров, включая Anthropic, OpenAI, Google, Ollama и любой OpenAI-совместимый конечный пункт через слот провайдера openai-compatible). Он не требует модели эмбеддингов и не требует базы данных — контекстное дерево — это локальный каталог простых файлов markdown. Облачная синхронизация необязательна и используется только для командного сотрудничества; все работает полностью автономно по умолчанию. Для полностью самодостаточной локальной настройки подключите Ollama как провайдер (brv providers connect openai-compatible --base-url http://localhost:11434/v1), и никакие данные не покидают вашу машину.

Hermes предоставляет auto_extract: false для отключения автоматических хуков курации, что ставит ByteRover в группу провайдеров рядом с Holographic и Mnemosyne, где автоматический захват является опциональным, а не по умолчанию.

Инструменты: 3 инструмента для операций памяти.

Установка:

hermes memory setup  # выберите "byterover"

Supermemory

Лучше всего для: корпоративных рабочих процессов с контекстной огранкой и импортом графа сессий.

Supermemory предоставляет контекстную огранку (изоляция памяти по контексту) и импорт графа сессий (импорт целых историй разговоров). Он автоматически извлекает воспоминания, строит пользовательские профили и выполняет гибридный поиск, комбинирующий семантический и поисковый поиск по ключевым словам. Управляемое облачное API — основная цель развертывания.

Внешние зависимости: Облачный сервис Supermemory обрабатывает весь инференс LLM и сервер эмбеддингов на стороне сервера — вы предоставляете только API-ключ Supermemory. Самохостинг доступен исключительно как дополнение к корпоративному плану и разворачивается на Cloudflare Workers; требуется предоставить PostgreSQL с расширением pgvector (для векторного хранения) и API-ключ OpenAI (обязательный, с Anthropic и Gemini как необязательными добавлениями). Нет пути самостоятельного хостинга на основе Docker или локального хостинга — архитектура тесно связана с граничным вычислением Cloudflare Workers. Для пользователей, которым нужен полный суверенитет данных без корпоративного контракта, этот провайдер — не правильный выбор.

Текущая интеграция Hermes пишет полную сессию через конечный пункт разговора Supermemory как единое целое, буферизуя разговор и импортируя его в конце сессии, сбросе или сжатии. Это производит более богатый контекст сущностей и профилей, чем изолированные записи фактов, но это также означает, что текст, сгенерированный ассистентом, является частью материала, представленного конвейеру извлечения памяти, а не только заявлениями пользователя.

Инструменты: 4 инструмента для операций памяти.

Установка:

hermes memory setup  # выберите "supermemory"

Как выбрать

Вместо того чтобы выбирать одного глобального победителя, сопоставьте провайдера с задачей:

• Самая простая локальная явная память: Holographic — нулевые зависимости, auto_extract выключен по умолчанию
• Локальная память с более богатыми контролировками жизненного цикла: Mnemosyne — SQLite, гранулярное удержание, подавление самоэха
• Синтез с упором на графы: Hindsight — граф знаний плюс reflect
• Моделирование равных или пользователя: Honcho — диалектическое рассуждение, режим unified для консервативного самомоделирования
• Знания в стиле файловой системы: OpenViking — поуровневая иерархия viking://
• Автоматическое извлечение без вмешательства: Mem0 — извлечение фактов на основе LLM без настройки
• Операционная/инструмент-осведомленная память: Memori — захват ходов и следов выполнения
• Читаемая человеком, проверяемая, без конвейера эмбеддингов: ByteRover — простое контекстное дерево в markdown
• Корпоративная контекстная огранка: Supermemory — импорт графа сессий, хостится на Cloudflare
• Высокочастотные обновления, самохостинг не нужен: RetainDB — дельта-сжатие, диалектическая самомодель

Для полных конфигураций провайдеров по профилям и реальных моделей рабочих процессов см. Производственная настройка Hermes Agent.

Более широкая экосистема сторонней памяти Hermes

Hermes документирует интерфейс пакетов/плагинов для внешних провайдеров памяти, включая пользовательские каталоги установки и точки входа Python, поэтому экосистема теперь распространяется за пределы провайдеров с полными разделами выше. Некоторые из них стоит знать, не добавляя полный раздел для каждого:

• Scope Recall рассматривает SQLite как долговременную истину, сохраняя при этом захват сырого разговора отдельно, с необязательным сопутствующим средством turn-closure-audit для консервативного просмотра после хода — он разделяет сырые журнальные доказательства и долговременную семантическую память, вместо того чтобы рассматривать каждый захваченный ход как немедленно эквивалентный долговременному знанию.
• Cognee — это конвейер импорта графа знаний / ECL, а не плагин разговорной памяти Hermes. Он преуспевает в структурированной проектной или институциональной памяти, но более автоматизирован, чем явная база фактов; см. Быстрый старт самостоятельного хостинга Cognee и Выбор правильной LLM для Cognee, а не рассматривать его как плагин Hermes, который можно использовать без установки.
• AgentMemory делает акцент на исходных событиях, проверяемости и семантике удаления — актуально после проблем с сиротскими производными записями, обсужденными для Mnemosyne выше.
• XMemo поставляется с консервативными значениями по умолчанию: автоматический захват таймлайна может оставаться выключенным, и удаление может быть ограничено. Принятие все еще слишком раннее, чтобы это оправдывало полный раздел.

Связанные руководства

• Хаб памяти для систем ИИ — охват этого подкластера и ссылки на руководства по Cognee
• Самоусиливающиеся петли памяти в ИИ-агентах — почему политика захвата и шлюзы одобрения важны, подробно
• Mnemosyne для Hermes Agent: Быстрый старт локальной памяти — полная установка и консервативная конфигурация для провайдера Mnemosyne, рассмотренного выше
• Система памяти Hermes Agent — базовая двухфайловая память перед плагинами
• Производственная настройка Hermes Agent — проводка профилей для провайдеров на практике