# `:memory-vector` — ANN/JVector/SQLite память с эмбеддингами (JVM-only)

## Что это

Реализация `MemoryStore` поверх SQLite + [JVector](https://github.com/jbellis/jvector)
+ LLM-эмбеддинги:

- **Хранение метаданных** — SQLite (notes, timestamps, источник).
- **ANN-индекс** — JVector (тот же класс HNSW, что используется в
  Cassandra DataStax).
- **Эмбеддинги** — два backendа:
  - **HTTP** — POST на любой OpenAI-совместимый `/v1/embeddings`
    (vLLM, LiteLLM, text-embedding-ada-002, и т.д.).
  - **SigLIP2** — локальная модель через [text-embedding-kmp](https://git.binom.pw/subochev/text-embedding-kmp)
    (ONNX Runtime, без сети).

Решает: семантический поиск по памяти. "Где я рассказывал про
CI/CD" находит нужный эпизод, даже если формулировка другая. При
этом offline-capable через SigLIP.

## Где используется

- `:standalone` подключает как `AGENTIK_MEMORY_BACKEND=vector`
  (с `AGENTIK_EMBEDDING_BACKEND=http|siglip`).

## Как подключить

```kotlin
dependencies {
    implementation("pw.binom.agentik:memory-vector:0.1.0")
    implementation("pw.binom.agentik:memory-api:0.1.0")
}

val memory = VectorMemorySystem.open(
    dbPath = Path("~/.agentik/mem.db"),
    embedding = HttpEmbeddingClient(
        apiUrl = "http://192.168.88.135:8001/v1",
        apiKey = "no-key-needed",
        model = "text-embedding-3-small",
        dimension = 1536,
    ),
)
```

## Версии

`gradle/libs.versions.toml` → `[versions] agentik-memory-vector`.

**Зависит от** `pw.binom.ai.embeddingtext:api-jvm:3.0.0-SNAPSHOT`
и `pw.binom.ai.embeddingtext:siglip-jvm:3.0.0-SNAPSHOT` из репо
`caffeine` (см. `../gradle/libs.versions.toml`). Оба опубликованы
вручную (`Binom-PIN-Caffeine`).

## Как работает embedding-флоу

1. `memory.save(cat, "text")` — text → embedding (HTTP или SigLIP)
   → row в SQLite + вектор в JVector-индекс.
2. `memory.query(cat, "q")` — q → embedding → ANN top-K (default K=10)
   → скоры, deduplication, реплес с timestamp.

## Тесты

```
./gradlew :memory-vector:jvmTest
```

Покрывают: round-trip, ANN top-K, SigLIP (если модель скачана),
SQLite-migration. SigLIP-тест skipped без модели на диске.

## Чего здесь НЕТ

- Никакого HTTP-клиента к LLM для генерации ответов. Это только
  embedding-клиент. Сам LLM-вызов — в `:standalone`.

## Текущий статус

Используется продакшеном. Подходит для крупных памятей (10000+
заметок) и семантических запросов.