Research: Ideas for mcp-ariel-memory

Сборник идей из референс-репозиториев для развития mcp-ariel-memory. Статус: поиск идей, не разработка.

---

Заметки из предыдущих сессий

2026-07-10 — консолидированные идеи из 15+ репозиториев

Priority 1 — easy wins (low effort, high value): (все 6 — реализованы в v1.8.1) - [x] 1. Session quality scoring (icarus): 5-component (depth, decision, recall_usage, linked_entries, user_engagement) - [x] 2. Recall telemetry: track recalled vs actually used → usage_rate metric (signal = fact of dream call; recall_events) - [x] 3. Auto training_value classification via DECISION_RE + OUTCOME_RE regex - [x] 4. Daily brief tool: pending work + recent activity + suggested action in one call (daily_brief, tier brief) - [x] 5. 6 analytical perspectives for wiki_summarize (pluton): practical/epistemic/psychological/social/temporal/metacognitive - [x] 6. Auto-maintained INDEX.md for wiki categories (wiki lint missing_index auto-fix)

Priority 2 — moderate effort: - [x] 7. Wiki lint tool с schema enforcement (6 checks: frontmatter, required fields, broken wikilinks, missing index, page length, unknown tags) — из memory-wiki-plugin - [x] 8. Ref chain linking (review_of + revises) между wiki entries - [x] 9. Promotion pipeline: detect preference signals → candidates → wiki pages - [x] 10. Secret detection on wiki ingest (GitHub PATs, API keys, PEM headers) - [x] 11. SPLIT/MERGE/RETIRE organic wiki operations

Priority 3 — major features: - [x] 12. Dream cycle consolidation pipeline (pluton): mine→curate→compress→inject (inject step) - [x] 13. CONTEXT.md compression: auto-generated ~3000 char summary for system prompt (memory_context_inject writes per-layer CONTEXT.md)

Оценка репозиториев (из сессии 2026-07-10)

Репозиторий	Что даёт	Установable?
hermes-memory-wiki-kit	FTS5 search, wiki_graph, wiki_health, 9 tools, auto-capture	Нет (plugin)
icarus-plugin	LLM extraction (OpenRouter), multi-source injection, CREATIVE.md fix	Нет (plugin)
pluton	Dream Memory, 6 perspectives, organic wiki ops, auto INDEX.md	Нет (plugin)
memory-wiki-plugin	Schema enforcement, promotion pipeline, secret detection, 55 tests	Нет (plugin)
Acontext	Skill memory, progressive disclosure, auto task detection	Нет (needs PG+S3+Redis+RabbitMQ)
agent-config	/recall protocol, shared skills SSOT	Нет (10+ repos ecosystem)

Ключевые концепции

• Acontext "skill = memory": Wiki entries как Markdown skill files, progressive disclosure
• /recall protocol: 4-axis context recovery: session spine → conscious markers → expand → semantic → day-axis
• hermes-memory-wiki-kit signal scoring: corrections=5, decisions=4, preferences=4, config=2, URLs=1. Auto-capture at score>8
• icarus multi-source: fabric + Qdrant + sessions FTS5 + facts FTS5. Writes to CREATIVE.md (не MEMORY.md!)

---

Источники

Репозиторий	Описание	Статус
MemOS	Persistent memory for AI agents	general-1 ✓
GPTCache	Semantic cache for LLM queries	general-1 ✓
Selective_Context	Context compression	general-1 ✓
agent-second-brain	Voice notes → knowledge base + daily report	general-2 ✓
omem	Shared memory between agents	general-2 ✓
Nocturne Memory	Long-term memory for MCP agents	general-2 ✓
codebase-memory-mcp	Code memory for AI agents	general-3 ✓
Command-Center-AI	Eternal context engine	general-3 ✓
MoltBrain	AI brain architecture	general-3 ✓
memorymuse	Self-aware AI with persistent memory	general-4 ✓
llm-context-compressor	Context compression	general-4 ✓
agent-context-code	Code context for agents	general-4 ✓

---

agent-second-brain

Telegram-ассистент: голосовые заметки → транскрипция → классификация → задачи + Obsidian vault + daily report. Забывание по шкале Эbbinghaus (5 уровней: Core → Active → Warm → Cold → Archive).

Ключевые фичи

1. Graduated Touch Protocol Вместо сброса памяти в "active" при чтении — продвижение на один уровень за раз: archive → cold → warm → active. Повторные чтения = сильная память.

# memory-engine.py cmd_touch()
if current_tier == "archive":
    target_days = (warm_threshold + cold_threshold) // 2
    new_tier = "cold"
elif current_tier == "cold":
    target_days = (active_threshold + warm_threshold) // 2
    new_tier = "warm"

Для mcp-ariel-memory: Реализовать постепенное продвижение вместо бинарного "обращался/не обращался".

2. Creative Recall Случайная выборка из холодных/архивных записей для дивергентного мышления — "прочитай эти карточки и найди неожиданные связи".

Для mcp-ariel-memory: Добавить инструмент creative_recall — рандомный сэмпл из cold tier.

3. Context Budget Calculator Отслеживание токенов: цель <25KB (6,000 токенов) для always-loaded контекста. Каждый 1KB = ~250 токенов на ход экономии.

Для mcp-ariel-memory: Добавить трекинг потребления токенов по уровням.

4. Vault Health Scoring (100 баллов) Авто-детект осиротевших записей, починка сломанных ссылок, генерация MOC (Map of Content).

Для mcp-ariel-memory: Добавить диагностику хранилища — осиротевшие воспоминания, предложение связей.

5. 3-Phase Daily Pipeline Capture → Execute → Reflect. Каждая фаза = чистый JSON для следующей.

Для mcp-ariel-memory: Структурировать write pipeline как явные фазы с JSON-чекпоинтами.

---

omem (ourmem)

Production MCP memory server. Rust + TypeScript. 11-stage hybrid retrieval, 7-decision reconciliation, 3-tier sharing (Personal/Team/Org), Weibull decay.

Ключевые фичи

1. 11-Stage Retrieval Pipeline

parallel_search → rrf_fusion → rrf_normalize → min_score_filter → topk_cap
→ cross_encoder → bm25_floor → decay_boost → importance_weight → length_norm
→ hard_cutoff → mmr_diversity

Ключевые новшества: - BM25 Floor (Stage 7): Если BM25 score ≥ 0.75, floor = pre_rerank_score × 0.95 — защищает точные совпадения от штрафа rerankera - Length Normalization (Stage 10): Штрафует многословные записи через log₂(len/500) — длинные записи не доминируют - Weibull Decay Boost (Stage 8): β=0.8 (Core), β=1.0 (Working), β=1.3 (Peripheral) - MMR Diversity (Stage 12): Jaccard dedup с порогом 0.85

Для mcp-ariel-memory: BM25 floor + length normalization — дешёвые улучшения качества поиска.

2. 7-Decision Reconciliation Engine | Решение | Эффект | |---|---| | CREATE | Новая память | | MERGE | Обновить существующую | | SKIP | Дубликат, игнорировать | | SUPERSEDE | Новая заменяет старую | | SUPPORT | Увеличить confidence +0.1 | | CONTEXTUALIZE | Новая с отношением к существующей | | CONTRADICT | Конфликт (temporal → SUPERSEDE) |

Для mcp-ariel-memory: Реализовать хотя бы CREATE/MERGE/SKIP/SUPERSEDE.

3. Dual-Stream Write

Messages → Session Store (sync, <50ms) → Background Task (async LLM extraction)

Сырые данные сохраняются сразу, LLM-обработка асинхронно.

Для mcp-ariel-memory: Разделить fast-path хранение от slow-path извлечения знаний.

4. Admission Control (5-dimensional scoring)

composite = 0.1·utility + 0.1·confidence + 0.1·novelty + 0.1·recency + 0.6·type_prior

Category priors: Profile=0.95, Preferences=0.90, Patterns=0.85, Cases=0.80, Entities=0.75, Events=0.45

Для mcp-ariel-memory: Фильтровать перед сохранением — не хранить всё подряд.

5. Weibull Decay Model

recency = exp(-λ · t^β)
λ = ln(2) / (half_life × exp(1.5 × importance))
β = 0.8 (Core) | 1.0 (Working) | 1.3 (Peripheral)

Для mcp-ariel-memory: Заменить линейный decay на Weibull. β-параметр по уровням — элегантное решение.

6. Noise Filter (3-layer) 1. Regex patterns (приветствия, благодарности) 2. Vector prototype matching (cosine ≥ 0.82) 3. Feedback learning (до 200 векторов шума)

Для mcp-ariel-memory: Добавить фильтрацию шума с обучением от обратной связи.

7. Multi-Level Content (l0/l1/l2) Каждая запись: - content: Оригинал - l0_abstract: Однострочное саммари - l1_overview: Структурированный markdown (2-5 строк) - l2_content: Полный нарратив

Для mcp-ariel-memory: Хранить прогрессивные саммари для разных уровней доступа.

8. Space-Based Sharing with Provenance Физические копии (не ссылки) с полной отслеживаемостью lineage:

{
  "shared_from_space": "personal/alice-uuid",
  "shared_from_memory": "original-memory-uuid",
  "source_version": 3
}

Для mcp-ariel-memory: Добавить provenance tracking при шаринге между агентами.

---

Nocturne Memory

Python MCP сервер для персональной памяти AI. Графовая модель (Node → Memory → Edge → Path), SQLite/PostgreSQL, FTS5, namespace изоляция.

Ключевые фичи

1. Graph Data Model

Node (UUID, версия-независимый)
  └── Memory (версии контента, deprecated, migrated_to)
Edge (parent→child, priority + disclosure)
Path (URI cache: domain://path → edge)

Ключевой инсайт: Node — версия-независимая сущность. Обновление контента создаёт новую Memory-строку, граф не трогается.

Для mcp-ariel-memory: Разделить идентификацию сущности от версий контента.

2. Version Chain with Migration Tracking

class Memory:
    migrated_to = Column(Integer)  # Указывает на преемника

При обновлении старая запись: deprecated=True, migrated_to=new_id.

Для mcp-ariel-memory: Реализовать цепочки версий — откат, аудит, история.

3. Glossary Keywords (豆辞典) Ключевые слова связаны с нодами и всплывают при поиске. Доменная лексика.

Для mcp-ariel-memory: Добавить систему глоссария — доменные термины для улучшения ретриеваля.

4. Weighted Random Recall

staleness_days = max((now - last).total_seconds() / 86400.0, 0.5)
mult = max(0.5 ** max(0, priority), 1e-12)
weights.append(staleness_days * mult)

Старые + приоритетные записи всплывают чаще.

Для mcp-ariel-memory: Заменить чистый рандом на взвешенный (staleness × priority).

5. Orphan Detection and Recovery Диагностика: stale nodes, crowded nodes (>10 детей), orphaned nodes, duplicate aliases.

Для mcp-ariel-memory: Добавить инструменты диагностики — осиротевшие, переполненные, дублирующие записи.

6. Access Logging with Context Отслеживание не только "когда", но и "почему" была обращена память.

Для mcp-ariel-memory: Данные для расчёта decay и аналитики использования.

---

Сравнительная таблица

Паттерн	agent-second-brain	omem	Nocturne	Возможность для mcp-ariel-memory
Decay	Линейный (0.015/день)	Weibull (β по уровням)	Нет (только staleness)	Заменить линейный на Weibull
Уровни	5 (core→archive)	3 (Core/Working/Peripheral)	По приоритету	Adopt tier-specific decay rates
Поиск	Сканирование файлов	11-stage hybrid	Только FTS5	Добавить BM25 floor + length norm
Dedup/Reconciliation	Нет	7-decision engine	Version chain	Реализовать MERGE/SKIP/SUPERSEDE
Граф	Wiki-links	Flat per-space	Node/Edge/Path graph	Hybrid: graph + wiki-links
Random recall	Чистый рандом	Нет	Staleness × priority	Weighted random recall
Noise filter	Нет	3-layer + feedback learning	Нет	Добавить noise filter с обучением
Versioning	Нет	Version field + staleness	Version chain + rollback	Version chains для аудита

---

ТОП-5 идей по приоритету

1. Weibull Decay с tier-specific β (omem) — Core помнятся долго (β=0.8), peripheral забываются быстро (β=1.3). Главное улучшение качества памяти.

2. 7-Decision Reconciliation (omem) — Минимум: CREATE/MERGE/SKIP/SUPERSEDE. Предотвращает раздувание памяти и поддерживает консистентность.

3. Graduated Tier Promotion (agent-second-brain) — Не прыгать в "core" при обращении. Продвигать по одному уровню. Spaced repetition = сильные воспоминания.

4. BM25 Floor Protection (omem) — Если BM25 ≥ 0.75, защищать от штрафа rerankera. Дешёвое улучшение качества поиска.

5. Version Chains с Rollback (Nocturne) — Хранить deprecated записи с migrated_to указателями. Аудит, откат, исторический анализ.

---

Дополнительные идеи

• Obsidian export (R1 из roadmap) — реализовать на основе agent-second-brain vault-системы
• Daily report — автоматический дайджест памяти (из agent-second-brain)
• Voice → memory pipeline — голосовые заметки через Telegram (из agent-second-brain)
• Shared memory spaces — Peronal/Team/Org изоляция (из omem)
• Namespace isolation — мульти-персональная память (из Nocturne)
• Dashboard с diff/rollback — визуальный ревью памяти (из Nocturne)
• Semantic cache — кэширование повторяющихся LLM-запросов (из GPTCache)
• Progressive summaries — l0/l1/l2 уровни детализации (из omem)
• Noise learning — обучение от обратной связи что считать шумом (из omem)
• Token budget tracking — потребление токенов по уровням (из agent-second-brain)

---

MemOS

"Memory Operating System" для LLMs. +43.7% accuracy vs OpenAI Memory. Multi-modal, graph-backed, Dream pipeline.

Ключевые фичи

1. Dream Pipeline (фоновая консолидация) 5-стадийный pipeline, работает когда пользователь отсутствует:

Signal Store (накопление) → Motive Formation (LLM решает что консолидировать)
→ Direct Recall (поиск связанных) → Consolidation Reasoning (LLM "мечтает")
→ Persistence (сохранение insight)

Ключевой инсайт: Hypothetical Deduction Gate — Dream actions сохраняются ТОЛЬКО если содержат hypothetical_question (какой вопрос помогает ответить). Zero-confidence → skip. Предотвращает низкокачественную консолидацию.

Для mcp-ariel-memory: Реализовать Dream pipeline — после N новых memories запускать фоновую консолидацию с LLM. Автоматическое создание insights вместо ручной реорганизации.

2. DreamMemoryLifecycle last_hit_at, hit_count, usefulness_score, invalidated_by_feedback. Архивирование: no hits in 7 days → archive, low usefulness → archive.

Для mcp-ariel-memory: Lifecycle tracking для каждой memory — hit tracking, usefulness scoring, auto decay.

3. Multi-Cube Knowledge Base Изолированные memory cubes с контролируемым шарингом и динамической композицией.

Для mcp-ariel-memory: Multi-tenant memory cubes — per-user/per-agent/per-project изоляция.

4. Modular Search Pipeline search_pipeline.py, rerank_pipeline.py, filter_pipeline.py, enhancement_pipeline.py — каждая стадия pluggable.

Для mcp-ariel-memory: Разбить текущий монолитный search на явные stages: query parsing → vector → FTS5 → rerank → filter → post-process.

5. Memory Feedback API Нatural-language обратная связь для коррекции memories.

Для mcp-ariel-memory: Пользователь корректирует memories на естественном языке.

---

GPTCache

Семантический кэш для LLM. 10x дешевле, 100x быстрее. Плагинная архитектура.

Ключевые фичи

1. Pluggable Pipeline Architecture Каждая stage — swappable function:

cache_enable → pre_embedding → embedding → data_manager → similarity_evaluation → post_process

Для mcp-ariel-memory: Сделать retrieval pipeline плагинным — каждая stage заменяется.

2. 7 Similarity Evaluation Strategies - SearchDistanceEvaluation — raw vector distance - OnnxModelEvaluation — trained duplicate detection - KReciprocalEvaluation — reciprocal rank fusion - CohereRerankEvaluation — external reranker - SequenceMatchEvaluation — weighted multi-signal - TimeEvaluation — time-decayed similarity - SbertCrossencoderEvaluation — cross-encoder

Для mcp-ariel-memory: Multi-signal reranking — combine semantic + temporal + frequency.

3. LLM Semantic Verification Gate После поиска cache hit — lightweight LLM call для верификации что cached answer реально отвечает на вопрос.

Для mcp-ariel-memory: Верификация retrieval results — LLM проверяет что найденная memory реально отвечает на query.

4. Temperature-Based Cache Bypass Вызывающий контрольлирует freshness vs cost. Temperature=2 → всегда bypass cache.

Для mcp-ariel-memory: Контроль "recency bias" — можно запросить свежие memories или все.

5. Time-Decayed Similarity final_score = semantic_similarity * time_decay(created_at). Свежие memories получают boost.

Для mcp-ariel-memory: Factor recency в ranking — старые memories нуждаются в большем semantic relevance.

---

Selective_Context

Компрессия контекста через self-information (surprisal). 2x больше контекста в фиксированном window.

Ключевые фичи

1. Self-Information Scoring

self_info = [-logprob for logprob in logprobs]

Каждый token/phrase/sentence оценивается по surprisal. High self-info = неожиданный/новый = важный.

Для mcp-ariel-memory: Self-information как importance signal для memories — principled, model-based, не heuristic.

2. Multi-Level Lexical Units 3 уровня гранулярности: sentence → phrase (spaCy noun chunks) → token.

Для mcp-ariel-memory: Multi-granularity chunking — phrases вместо фиксированных чанков.

3. Threshold-Based Masking ppl_threshold = np.percentile(self_info, mask_ratio * 100) — маскирование units ниже порога.

Для mcp-ariel-memory: Компрессия memories при превышении context budget — keep most informative.

4. Conversation-Aware Processing Ролевые префиксы с высоким self-info (100.0) для сохранения turn boundaries.

Для mcp-ariel-memory: Preserve conversation structure при компрессии.

---

codebase-memory-mcp

Чистый-C движок графа знаний кода. Tree-sitter AST, 14 MCP инструментов, 155 языков. Multi-pass pipeline.

Ключевые фичи

1. RAM-First Pipeline с LZ4 Всё индексирование в памяти с LZ4 HC компрессией, затем дамп в SQLite. Нулевой footprint после индексации.

Для mcp-ariel-memory: Использовать in-memory SQLite для операций индексации, затем компактировать на диск.

2. Function Registry с каскадным resolution Каскад стратегий: exact QN → import-aware → fuzzy bare name. Confidence scoring 0.0–1.0.

Для mcp-ariel-memory: Применить к сущностям памяти — "этот факт упоминает 'auth system' — это то же что 'authentication module' из сессии 3?" Score it.

3. Louvain Community Detection Автообнаружение функциональных модулей через кластеризацию рёбер вызовов.

Для mcp-ariel-memory: Запустить community detection на графе памяти — автообнаружение кластеров тем (авторизация, JWT, token refresh).

4. MinHash + LSH Near-Clone Detection SIMILAR_TO рёбра с Jaccard scoring. SEMANTICALLY_RELATED рёбра (score ≥ 0.80).

Для mcp-ariel-memory: Обнаружение дублей/перекрытий между сессиями. При сохранении — проверка на похожесть.

5. Multi-Pass Pipeline

structure → definitions → calls → usages → semantic → similarity → semantic_edges
→ gitdiff → route_nodes → infrascan → cross_repo → tests

Каждый pass изолирован и добавляет свой тип знаний.

Для mcp-ariel-memory: Отдельные pass для извлечения сущностей, построения связей, temporal linking, конфликтов.

6. Shared Graph Artifact .codebase-memory/graph.db.zst — сжатый снапшот в репозитории. Команды.skip reindex.

Для mcp-ariel-memory: Ship compressed memory snapshot с проектом. Новые агенты загружаются из снапшота.

---

Command-Center-AI — Eternal Context Engine (ECE)

Локальный AI memory layer. Obsidian Markdown + LanceDB vector search. Решает проблему context window compaction.

Ключевые фичи

1. Rule-Based Memory Classifier (~1ms)

LONG_TERM_PATTERNS = [
    (r"\b(always|never|prefers?|decided|from now on|rule:)\b", "decision", 0.9),
    (r"\b(i am|i'm|my name|my identity)\b", "identity", 0.8),
    (r"\b(0-tolerance|mandatory|non-negotiable|core directive)\b", "directive", 0.95),
]

Без LLM, ~1ms, покрывает 90% случаев. Force overrides: "remember this" → always long_term.

Для mcp-ariel-memory: Заменить LLM-based классификацию на regex patterns. Быстро, дёшево, надёжно.

2. Bootstrap / Anti-Compaction Recovery

SESSION_HANDOFF.md  # что было сделано, что дальше
ACTIVE_CONTEXT.md  # текущий working set
FRESHNESS.md  # timestamp каждого файла
bootstrap_agent(reason="session_start")  # полное восстановление

Для mcp-ariel-memory: Реализовать record_handoff в конце сессии и bootstrap_agent в начале. Критично для multi-session.

3. Store Protection Rate limiter: 30 writes/min. Dedup: 0.92 similarity threshold → skip near-identical.

Для mcp-ariel-memory: Rate limit per agent + dedup перед сохранением. Без этого memory раздувается быстро.

4. Query Expansion from Vault Vocabulary

# Embed query, find N nearest tokens in vault vocabulary
# Append them to query for both vector and BM25 paths
expansion_terms = [self.vocab_tokens[i] for i in top_indices]
return query + " " + " ".join(expansion_terms)

Для mcp-ariel-memory: Построить vocabulary index из всех хранимых memories. При поиске расширять запрос терминами из vault.

5. Nightly Maintenance Cache purge, short-term TTL expiry (30 дней), freshness report, doctor check.

Для mcp-ariel-memory: Автоочистка сессионных memories, TTL expiry, проверка здоровья.

6. Privacy Namespaces vault/agents/{agent_id}/ — per-agent изоляция. Cloud AIs не видят除非 explicitly requested.

Для mcp-ariel-memory: Multi-agent изоляция — каждый агент видит только свою память + shared.

---

MoltBrain

Long-term memory для AI агентов. SQLite + ChromaDB. PostToolUse hooks для авто-захвата.

Ключевые фичи

1. 3-Layer Search Workflow

1. search(query) → лёгкий индекс с ID (~50-100 токенов/результат)
2. timeline(anchor=ID) → контекст вокруг интересных результатов
3. get_observations([IDs]) → полные детали ТОЛЬКО для отфильтрованных

Для mcp-ariel-memory: Гениально для экономии токенов. Не возвращать полные memories при поиске — сначала индекс, потом контекст, потом детали.

2. PostToolUse Auto-Capture

// Авто-захват вывода инструментов — без явного "store"
observationHandler.execute(input: { sessionId, toolName, toolInput, toolResponse, cwd })

Для mcp-ariel-memory: Авто-захват из использования инструментов. Агент читает файл → результат автоматически становится memory.

3. Observation Schema

interface ObservationInput {
  type: 'discovery' | 'decision' | 'code_change' | ...;
  facts: string[];       # отдельные факты
  narrative: string;     # свободный текст
  concepts: string[];    # теги концепций
  files_read: string[];
  files_modified: string[];
}

Для mcp-ariel-memory: Структурированный schema с отдельными facts + narrative + concepts. Facts индивидуально searchable, concepts для кластеризации.

4. Context Cache с Invalidation Кэш по (project + session + query + limit), TTL 10 минут. При обновлении memory — инвалидация.

Для mcp-ariel-memory: Кэширование сгенерированного контекста с умной инвалидацией.

5. Session Lifecycle Hooks

SessionStart → inject context from memory
PostToolUse → capture output, extract facts
Stop → generate summary

Для mcp-ariel-memory: Три хука: начало (инжект), во время (авто-захват), конец (саммари).

---

TencentDB Agent Memory

Слоистая память для OpenClaw/Hermes агентов. Символическая память (Mermaid canvas) + L0→L3 pyramid. -61% токенов, +51% pass rate.

Ключевые фичи

1. Symbolic Memory (Mermaid Canvas) Вместо многословных логов — компактный Mermaid syntax. Node ID ссылаются на полный текст.

Для mcp-ariel-memory: Символьная компрессия —摘要记忆追踪 в компактном graph representation.

2. Progressive Disclosure Верхние уровни (personas, canvases) в Markdown для людей; нижние (raw text) в БД для retrieval.

Для mcp-ariel-memory: Возвращать саммари сначала, drill down по требованию.

3. Full Traceability Каждая абстракция ссылается на ground-truth evidence. "Persona → Scenario → Atom → Conversation".

Для mcp-ariel-memory: Гарантировать трассируемость — каждая memory abstraction связана с источником.

---

PRISM (Epistemic Graph RAG)

Типизированный эпистемический граф поверх vector store. 10 типов рёбер, spreading activation.

Ключевые фичи

1. Epistemic Edge Types

supports, refutes, supersedes, derives_from, specializes,
contradicts, qualifies, temporal_precedes, causal_enables, contextualizes

Для mcp-ariel-memory: Memories могут поддерживать, опровергать, заменять друг друга. Эпистемические связи вместо простого "related to".

2. Spreading Activation Query → seed nodes → activation через typed edges → nodes с множественными путями = highest rank.

Для mcp-ariel-memory: Активация распространяется через связи памяти. Memories с несколькими независимыми путями = высший приоритет.

3. Result Bucketing

PRIMARY, SUPPORTING, CONTRASTING, QUALIFYING, SUPERSEDED

Для mcp-ariel-memory: Организовать результаты по эпистемической роли.

---

Neuroca (NeuroCognitive Architecture)

Multi-tiered memory (STM/MTM/LTM), биологически-вдохновлённый. Консолидация, decay, importance scoring.

Ключевые фичи

1. Memory Consolidation Автоматическое продвижение STM → MTM → LTM на основе частоты обращения и важности.

Для mcp-ariel-memory: Автоматическая консолидация — короткая память продвигается в долгосрочную.

2. Dynamic Backend Selection Система выбирает storage backend (in-memory для STM, SQLite/Vector DB для MTM/LTM) автоматически.

Для mcp-ariel-memory: Разные storage для разных уровней жизни памяти.

---

context-mode

MCP сервер для контекст-песочницы. Сохраняет raw tool data вне контекста, индексирует в FTS5. 315KB → 5.4KB (98% reduction).

Ключевые фичи

1. Context Sandboxing Сырые данные вне context window. Индекс и retrieval только нужного.

Для mcp-ariel-memory: Memory sandboxing — не заливать все relevant memories в контекст, а индексировать и возвращать только нужное.

2. "Think in code" paradigm Агент пишет скрипты для анализа данных вместо чтения файлов в контекст.

Для mcp-ariel-memory: Сократить context bloat от retrieval.

---

Сводная таблица: ВСЕ репозитории

Репозиторий	Ключевая идея	Приоритет
omem	11-stage retrieval + 7-decision reconciliation	★★★★★
MemOS	Dream pipeline + lifecycle tracking	★★★★★
Nocturne	Node/Memory versioning + disclosure routing	★★★★★
agent-second-brain	Graduated tier promotion + creative recall	★★★★☆
ECE	Rule-based classifier + bootstrap/handoff	★★★★☆
MoltBrain	3-layer search + PostToolUse auto-capture	★★★★☆
TencentDB	Symbolic Mermaid memory + progressive disclosure	★★★★☆
GPTCache	LLM verification gate + time-decayed similarity	★★★★☆
Selective_Context	Self-information scoring for importance	★★★☆☆
PRISM	Epistemic edge types + spreading activation	★★★☆☆
codebase-memory-mcp	Multi-pass pipeline + Louvain communities	★★★☆☆
Neuroca	STM→LTM consolidation + dynamic backends	★★★☆☆
context-mode	Context sandboxing	★★☆☆☆

---

ФИНАЛЬНЫЙ ТОП-15 идей

#	Идея	Откуда	Влияние
1	Dream Pipeline (фоновая консолидация)	MemOS	Автоматическое создание insights из кластеров memories
2	7-Decision Reconciliation	omem	Предотвращает раздувание, поддерживает консистентность
3	Weibull Decay с tier-specific β	omem	Главное улучшение качества decay
4	BM25 Floor Protection	omem	Дешёвое улучшение качества поиска
5	Epistemic Edge Types	PRISM	Memories поддерживают/опровергают друг друга
6	Rule-Based Memory Classifier	ECE	Замена LLM на regex, ~1ms
7	3-Layer Search Workflow	MoltBrain	10x экономия токенов
8	Graduated Tier Promotion	agent-second-brain	Spaced repetition для memories
9	Bootstrap/Handoff Protocol	ECE	Выживание после compaction
10	Version Chains с Rollback	Nocturne	Аудит, откат, история
11	Self-Information Scoring	Selective_Context	Principled importance signal
12	LLM Semantic Verification	GPTCache	Верификация retrieval results
13	PostToolUse Auto-Capture	MoltBrain	Авто-захват без усилий
14	Noise Filter с feedback learning	omem	Обучение от коррекций
15	Dual-Stream Write	omem	Fast sync + async extraction