Signals into
moves

Cole Medin's critique of Karpathy LLM Wiki for multi-user agents. Solution: Redis Iris as a context layer with Context Retriever (data as tools) and Agent Memory (cross-conversation recall). Personal memory ≠ production context layer.

PixelRAG — open-source visual RAG framework от StarTrail. Анализирует документы через скриншоты вместо парсинга текста — сохраняет таблицы, диаграммы, page layouts. Apache-2.0, Python, Claude Code plugin. 6,200+ GitHub stars.

Сравнение memory providers для AI-агентов: Mnemosyne как лучший вариант для локального использования — без cloud зависимостей.

Knowledge Graph как переиспользуемый паттерн: статический анализ + multi-agent LLM строят граф из кодовой базы — универсальный контекстный слой для AI-агентов.

Выбирай memory-примитивы потому что они доставляют нужный бандл — не потому что понравился vendor. Большинство агентов нуждаются в миксе примитивов.

Contract → Bundle → Primitives: сначала описываешь «контракт» знания агента, потом формируешь бандл данных, потом подбираешь примитивы хранения.

Retrieval unit должен соответствовать типу знания: чанк для FAQ, секция для документов, таблица для финансов, граф для связей — один метод не работает для всего.

OME (запись экрана+микрофона) + Obsidian = персональный Infinite Context Engine: 1187 воспоминаний, которые любой AI-агент может использовать как контекст.

С memory-инфраструктурой агент платит один раз за compiled knowledge — без неё 85% токенов сгорают до начала реальной работы (rediscovery tax).

Ловушка database-first: выбор Pinecone до понимания типов данных агента ведёт к галлюцинациям — сначала типы данных, потом примитивы.

Инструменты визуализации кода показывают структуру (дерево файлов), но не смысл (что делает функция) — это принципиально разные задачи.

LLM token-стоимость — скрытый барьер adoption даже для open-source инструментов: MIT-лицензия бесплатна, но 30 мин compute на проект = реальная стоимость.