Én fælles hukommelse skal følge dig på tværs af AI-værktøjer

Hvis du skifter mellem flere AI-værktøjer, kender du det: Du må forklare det samme igen og igen. Projektet Membase vil løse det med ét fælles hukommelseslag, som alle dine AI-værktøjer kan bruge.

Idéen er ifølge projektet selv, at man skriver en hukommelse én gang, og at alle tilsluttede værktøjer så læser fra det samme lager. Sloganet er: én hukommelse til alle AI'er.

Sådan er det tænkt

Brugeren kan lægge fakta, dokumenter, websider og eksporterede chats ind i den samlede hukommelse. Den kan opdeles i containere, for eksempel en pr. projekt, og brugeren kan søge i den, stille spørgsmål til den og administrere den.

Ifølge projektets egen side kan Claude, Claude Code, ChatGPT, Cursor og Codex tilgå den samme hukommelse. Det sker enten via SDK'er (færdige programpakker til udviklere) eller via MCP-forbindelser. MCP, Model Context Protocol, er en fælles standard, der lader AI-værktøjer koble sig på eksterne datakilder.

Der er også angivet integrationer til agentframeworks som LangChain, Microsoft Agent Framework, Dify, Hermes Agent, OpenClaw og Strands Agents. Det er byggesæt, som udviklere bruger til at lave AI-agenter.

Hostet eller lokalt

Membase kan køre i hostet tilstand, hvor man skal bruge en API-nøgle, eller i lokal tilstand. Der findes SDK'er til Python (version 3.10 og nyere) og TypeScript (Node 18 og nyere) samt en kommandolinjegrænseflade.

En sammenligning fra konkurrenten EverMind beskriver Membase som et administreret personligt hukommelseslag i Unibase-økosystemet. Her struktureres viden som en graf, hvor personlig hukommelse og viden holdes adskilt og er organiseret i episoder og wiki-dokumenter. Data hostes ifølge samme beskrivelse på Unibases infrastruktur og ikke på brugerens egne servere.

Forbehold

Funktionerne stammer fra Membases egen side og er altså producentens egne påstande. Membase angiver selv 93,1 % på LoCoMo, 92,6 % på LongMemEval_S og 92,2 % på DMR. Det er egne tal, som ikke er uafhængigt verificeret. EverMind, som selv udgiver en konkurrerende løsning, hævder, at der ikke findes sammenlignelige peer-reviewede eller offentlige resultater. HaluMem er ikke nævnt blandt Membases egne tal. Det er test, der måler, hvor godt AI-hukommelse virker.

GitHub-siden angiver ingen lanceringsdato.