Большинство систем памяти отвечает на один вопрос: что агент помнит? Memoir добавляет ещё три - кто это записал, какой память была вчера и что изменилось в другой ветке. Разница кажется мелкой, пока не столкнёшься с последствиями её отсутствия.
Простые подходы хранят прошлое как один общий набор фактов: файл MEMORY.md, разросшийся CLAUDE.md, таблица в базе или коллекция векторов. Это работает, пока память маленькая и не меняется. Дальше начинаются три неприятности.
Первая - контекст загрязняется. Вы переключились с main на экспериментальную ветку кода, а память агента осталась общей: он помнит выводы эксперимента и начинает применять их к срочному исправлению в production. Вторая - старое знание нельзя отладить. Сегодня агент "знает", что API использует JWT, но откуда взялся этот факт, кто его записал, когда и что было до него? У обычной векторной памяти ответов на такие вопросы просто нет. Третья - память превращается в глобальную переменную: любая сессия меняет её для всех будущих, и один неудачный эксперимент способен отравить долгосрочный контекст.
Memoir предлагает относиться к памяти как к коду: если код заслуживает Git, то история знаний агента - тоже. Ниже - как это выглядит на практике.
Что такое Memoir
Memoir - система семантической памяти для AI-агентов с открытым исходным кодом. Её ключевое отличие в том, что память хранится не как непрозрачный список идентификаторов и не только как векторный индекс, а в иерархии осмысленных путей, у которой при этом есть Git-подобная история изменений.
Путь выглядит так:
В комплекте не только библиотека: командная строка, Python API, MCP-сервер, веб-интерфейс, текстовый интерфейс в терминале, плагины для Claude Code, Codex и Hermes, плюс система массовой загрузки файлов. Есть и плагин для OpenClaw, но лежит он в отдельном репозитории - того требует механизм установки плагинов из git у самого OpenClaw. Кода Memoir этот плагин в себе не держит и обращается к командной строке через подпроцесс.