Files

T

ci / JVM build + tests (pull_request) Failing after 54s

Details

docs: per-module READMEs (run vs library) + root navigation hub

Every subproject now has README.md:
- 3 runnable modules (:standalone, :agentik-cli, :agentik-tui):
  quickstart, env table, parameters, known limits
- 11 library modules: what it is, which problem solves, how to
  wire it in, where versions live

Root README.md is the navigation hub (Quickstart, Modules table,
publish + CI/CD notes).

Also: ci.yml prunes the :memory-vector -x excludes now that
text-embedding-kmp artifacts are published to caffeine.

518 tests green.

Verified publish pipeline: :proto:publish to caffeine produces
pom.module + per-target klibs + sources for all 9 KMP targets.

🤖 Generated with [opencode]

2026-09-16 20:44:16 +03:00

3.0 KiB

Raw Permalink Blame History

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

Что это

Реализация MemoryStore поверх SQLite + 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 (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

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

memory.save(cat, "text") — text → embedding (HTTP или SigLIP) → row в SQLite + вектор в JVector-индекс.
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.

3.0 KiB Raw Permalink Blame History Unescape Escape

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