subochev
0fdc12695e
- README.md в каждом подмодуле: для библиотек — описание проблемы, подключение через maven-central/caffeine, версии в gradle/libs.versions.toml. Для запускаемых модулей — команды запуска + переменные среды с дефолтами. - Корневой README.md переписан как навигационный хаб: что это, где клиенты, где серверы, как собрать, как опубликовать. - build.gradle.kts: per-module POM-description через единую карту в rootProject.extra (порядок важен — нужно ДО apply плагина KMP, поэтому beforeEvaluate в subprojects). - .gitea/workflows/ci.yml (новый): build + jvmTest + shadowJar на PR/push main. - .gitea/workflows/release.yml (обновлён): публикует библиотеки в caffeine Nexus + собирает 3 fatjar'а и крепит их к release как бинарные ассеты.
:memory-vector — pw.binom.agentik.memory.vector
Реализация долговременной памяти поверх JVector (ANN-индекс) + SQLite (метаданные) + эмбеддингов. JVM-only (JVector не публикует KMP-таргеты; на Android ART работает через Java 11 scalar fallback).
Какую проблему решает
:memory-md хорош для малых объёмов и дев-окружения, но при тысячах заметок
keyword-overlap поиск не справляется. Vector-бэкенд считает эмбеддинги
заметок, складывает в JVector ANN-индекс, ищет по cosine similarity.
recency-re-rank подмешивает свежесть, чтобы новые факты не тонули в старых.
Архитектура
┌───────────────────────┐
user-query ─►│ EmbeddingProvider │ (HTTP /v1/embeddings или SIGLIP2 on-device)
└─────────┬─────────────┘
▼
┌───────────────────────┐
│ MemoryVectorStore │
│ ├─ JVector (cosine) │ ◄── ANN-search
│ └─ SQLite (мета) │ ◄── заметки + lastUsedAt + useCount
└───────────────────────┘
Бэкенды эмбеддингов (через AGENTIK_EMBEDDING_BACKEND):
HTTP— POST на${OPENAI_BASE_URL}/v1/embeddings. Семантический поиск через OpenAI-совместимый endpoint (vLLM, OpenAI, LiteLLM-proxy). Кэширование LRU(256) на уровнеEmbeddingHttpProviderдля дедупликации.SIGLIP— on-device SigLIP2 через ONNX Runtime (768-мерный вектор). Никаких внешних вызовов; модель и токенизатор должны лежать на диске.
Подключение
plugins { kotlin("jvm") }
dependencies {
implementation("pw.binom.agentik:memory-vector:$version")
// Транзитивно: :memory-api + jvector + sqldelight + text-embedding-kmp
}
:standalone инициализирует бэкенд автоматически по AGENTIK_MEMORY_BACKEND=vector
AGENTIK_EMBEDDING_BACKEND=….
Размерности
| Backend | Модель | Dim |
|---|---|---|
HTTP (OpenAI) |
text-embedding-3-small (default) |
1536 |
HTTP (OpenAI) |
text-embedding-3-large |
3072 |
SIGLIP |
SigLIP2-base | 768 (фиксировано) |
Для HTTP размерность управляется через AGENTIK_EMBEDDING_DIMENSION; для
SIGLIP — определяется автоматически.
Где смотреть версии
versionизgradle.properties(version=0.1.0)- релизы:
https://git.binom.pw/subochev/agentik/releases
Сборка
./gradlew :memory-vector:build
JVM-only. Тянет pw.binom.agentik:memory-api и com.github.jvector:jvector:3.0.6.