Original en anglais: https://argusic.com/subject/memlayer
memlayer
Mémoire plug-and-play pour les LLMs en 3 lignes de code. Ajoutez une mémoire persistante, intelligente et de type humain, ainsi qu'un rappel, à n'importe quel modèle en quelques minutes.
Fonctionne avec des mockssource : GitHubpage d'accueilPythonMITcommit 5e95f44061a8
Python, sous licence MIT. Le projet se décrit ainsi : agent, ai, ai infrastructure, context management, developer tools, embedded, graph database et knowledge graph.
memlayer fonctionne, avec des substituts pour les services dont il dépend. Un agent Argusic l'a installé en 5 minutes et a rencontré 2 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
memlayer 0.1.8 installs from source in a venv, all 58+ symbols import cleanly, core storage (ChromaDB + NetworkX) and search (SearchService) work end-to-end, entity deduplication merges 'Dr. Watson' into 'Dr. Emma Watson', SalienceGate correctly classifies salient vs. non-salient text in both LOCAL and LIGHTWEIGHT modes, and the Memory client initializes/shuts down gracefully.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 92 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- pytest crashed on collection: test scripts with module-level `exit(0)` or side-effect code raised SystemExit3 minutes
- ImportError: cannot import name 'OpenAIWrapper' from 'memlayer.wrappers.openai' — classes in wrapper files were named `OpenAI`, `Claude`, `Gemini`, `Ollama` but `client.py` and `wrappers/__init__.py` expected `OpenAIWrapper`, `ClaudeWrapper`, etc.2 minutes
- Temps d'installation
- 5 minutes
- De la machine vierge à la fin
- 16 minutes
- Erreurs rencontrées et corrigées
- 2 rencontrées, 2 corrigées sans aide humaine
- Comment le résultat a été prouvé
- /home/runner/venv/bin/python ran a comprehensive 7-part integration test covering imports, NetworkX CRUD + entity dedup, ChromaDB read/write/search, SalienceGate in LOCAL + LIGHTWEIGHT modes, LocalEmbeddingModel inference, Memory client lifecycle, and SearchService hybrid vector+graph search. Pytest collected 4 test items (test_streaming.py), all skipped due to missing OPENAI_API_KEY.
- Tokens de modèle utilisés
- 114 353
- Commit exact testé
- 5e95f44061a8
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- Comportement face aux vrais services
- cette exécution n'a été vérifiée qu'avec des services de substitution
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
from memlayer.embedding_models import LocalEmbeddingModel, ArgusicEmbeddingModel, BaseEmbeddingModel
from memlayer.services import SearchService, ConsolidationService, CurationService, SchedulerService
from memlayer.config import set_debug_mode, is_debug_mode
from memlayer.observability import Trace
print('ALL 58+ symbols import cleanly')
\" 2>&1" in /work/repo
succeeded in 11605ms:
ALL 58+ symbols import cleanly
Now I have all the evidence. Here is the final report:
tokens used
114,353
Now I have all the evidence. Here is the final report:Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Installé en 5 minutes, plus vite que la médiane des 134 projets comparables mesurés par Argusic.
- S'est remis des 2 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- Sous licence MIT, selon son hébergeur.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- N'a atteint un état de fonctionnement qu'avec des services de substitution : rien ici ne prouve qu'il fonctionne avec les vrais.
- Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.
Sur les 135 projets agent qu'Argusic a installés et chronométrés, memlayer a été le 48e plus rapide à atteindre un état de fonctionnement, et 87 sur 135 en ont atteint un.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Fonctionne avec des mocks | 92,00 | 0,16 |
Sujets (depuis GitHub)
agentaiai-infrastructurecontext-managementdeveloper-toolsembeddedgraph-databaseknowledge-graphllmllm-memorymemoryopenaipersistent-memorypythonragretrievalretrieval-augmented-generationsemantic-searchtransformervector-database
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/memlayer)Questions
- memlayer fonctionne-t-il ?
- memlayer fonctionne, avec des mocks à la place des services externes. Argusic l'a installé et lancé sur une machine propre en 5 minutes, en rencontrant 2 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé memlayer ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 5e95f44061a8. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de memlayer ?
- L'exécution qui a produit ce verdict a coûté 0,16 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer memlayer ?
- 5 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- memlayer a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de memlayer ?
- 2 problèmes sont survenus lors de l'exécution enregistrée, et 2 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Comment memlayer se compare-t-il aux alternatives ?
- Sur les 135 projets agent qu'Argusic a installés et chronométrés, memlayer a été le 48e plus rapide à atteindre un état de fonctionnement, et 87 sur 135 en ont atteint un.
- Où sont les preuves pour memlayer ?
- L'exécution enregistrée se trouve sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.