Готовых моделей по умолчанию здесь нет: в конфигурации локального контура поля провайдера и модели для embeddings и ответов пустые, пока вы не выберете их в мастере. Заранее задан только адрес - сервер Moorcheh работает на localhost:8080, а шлюз Memanto обычно на localhost:8000. В настройках qwen2.5 предлагается как один из примеров, а не как значение по умолчанию, и учтите, что первая загрузка любой локальной модели может занять несколько гигабайт. В такой схеме ваш код обращается к Memanto, тот - к локальному Moorcheh и Ollama, и наружу не уходит ничего.
Лицензия: нюанс, который стоит проверить до внедрения
Сам репозиторий Memanto лицензирован по MIT - это видно и на GitHub, и в pyproject.toml. Но локальный backend для поиска - это отдельный проект, Moorcheh Community Edition, и у него собственная лицензия.
Официальный репозиторий Moorcheh On-Prem прямо называет Community Edition source-available, а не одобренным OSI открытым исходным кодом, и описывает бесплатное использование для одноузлового и некоммерческого развёртывания. Многоузловые, корпоративные и часть коммерческих сценариев требуют другой лицензии.
Корректная формулировка поэтому такая: ядро Memanto - MIT, локальный backend Moorcheh имеет отдельные лицензионные условия. Переносить MIT автоматически на весь локальный стек нельзя, и перед коммерческим внедрением это надо проверить.
Memanto и Mem0: похожая задача, разный акцент
Mem0 - библиотечный слой памяти. В типичном сценарии он принимает разговор и автоматически извлекает из него компактные факты, а сильная сторона - программируемое API памяти и заменяемые модель, embedder и векторное хранилище.
Memanto - сервис памяти поверх Moorcheh. Базовый remember пишет уже сформулированную типизированную память напрямую, а извлечение из разговора существует как отдельная операция. Акцент здесь на интеграциях с coding-агентами, типах, времени, разборе противоречий, командной строке и экспорте.
Ни один подход не "правильнее". Если приложению нужна библиотека, где вы сами собираете конвейер памяти и меняете векторную базу, естественно выглядит Mem0. Если хочется быстро дать нескольким агентам общую проектную память, управлять ею из терминала и подключить Claude Code, Cursor или Codex - удобнее архитектура Memanto.
К сравнению примыкают и заявленные цифры. Создатели публикуют 89.8% на LongMemEval и 87.1% на LoCoMo; в их исследовании итоговая конфигурация использует одиночный семантический запрос и Gemini 3 для вывода, без конвейера графа знаний. Читать эти результаты стоит как результаты авторов системы на конкретной конфигурации оценки, а не как гарантию, что любое приложение на Memanto окажется лучше любого приложения на Mem0: качество системы памяти зависит от модели, построения запроса, данных, лимита выдачи, порога, типизации и способа измерения. Хорошая новость - команда публикует репозиторий оценки и наборы данных, поэтому сравнительные утверждения можно проверить и повторить, а не принимать на веру.
Когда Memanto нужен, а когда лишний
Хорошо подходит, когда Claude Code, Cursor или Codex должен помнить проект между сессиями; когда несколько coding-агентов обязаны опираться на общие решения и правила; когда помнить надо не только факты, но и решения, ошибки, обязательства; когда важно спрашивать "что изменилось?" и "что было известно на дату?"; когда память нужно выгружать в читаемый Markdown; когда хочется готовый набор из командной строки, REST API и дашборда вместо самостоятельной сборки backend.
Будет лишним в коротком одноразовом чате без состояния; когда данные уже хорошо лежат в таблицах и нужны точные SQL-запросы, а не поиск по смыслу; когда нужно только статическое RAG-хранилище документов; когда пара постоянных правил проще ложится в CLAUDE.md или AGENTS.md, чем поднимается отдельный сервис памяти.
Семь ошибок первого знакомства
Сохранять всё подряд. Память полезна не количеством: в ней должно оставаться то, что реально помогает будущим действиям агента.
Всё помечать как fact. Так теряется главное преимущество Memanto. Решение - не факт, обязательство - не предпочтение, а ошибка - не просто событие.
Держать один агент на все проекты. Так легко получить перетекание контекста между проектами. Память надо разделять по настоящим границам.
Игнорировать противоречия. Старая и новая информация со временем начнут спорить друг с другом - для этого и есть разбор конфликтов и временная история.
Считать локальное автоматически приватным. Если Moorcheh стоит локально, но embeddings или ответы идут через OpenAI или Cohere, часть данных всё равно уходит наружу. Для закрытого контура берите локальные модели Ollama.
Не читать лицензию backend. MIT у Memanto не отменяет отдельных условий Moorcheh Community Edition - особенно перед коммерческим развёртыванием.
Не закреплять версии. Проект развивается быстро, а pyproject.toml на момент проверки всё ещё помечает пакет как Alpha. В production стоит фиксировать версии и читать changelog перед обновлением.
Короткий вывод: Memanto интересен не тем, что у него тоже есть семантический поиск. Его сильная идея - превратить память агента в отдельный управляемый объект: с типом, временем, противоречиями, сессиями, переносимостью и готовыми интеграциями с инструментами разработки.
Источники
Материал сверялся с репозиторием, официальной документацией, справочником TypeScript SDK, документацией on-prem и опубликованной исследовательской статьёй проекта 9 августа 2026 года. Дополнена 14 августа 2026 года по свежему клону: уточнён состав интеграций, снято утверждение о моделях по умолчанию в локальном контуре, требование к версии Node приведено к записи в пакете, добавлены служебные поля записи, ограничение на извлечение из разговора, команды множественного подключения и полный список источников для переезда. Memanto активно развивается, поэтому команды и ограничения перед внедрением стоит ещё раз сверить с текущей версией.
