agent-memory-systems

Memory is the cornerstone of intelligent agents. Without it, every interaction starts from zero. This skill covers the architecture of agent memory: short-term (context window), long-term (vector stores), and the cognitive architectures that organize them. Key insight: Memory isn't just storage - it's retrieval. A million stored facts mean nothing if you can't find the right one. Chunking, embedding, and retrieval strategies determine whether your agent remembers or forgets. The field is fragm

1. Zainstaluj skill agent-memory-systems z repozytorium davila7. Skill zawiera szablony i komponenty do budowania systemów pamięci dla agentów Claude.

2. Wybierz typ pamięci odpowiedni dla Twoich danych — pamięć krótkoterminową (context window) dla bieżącej konwersacji, długoterminową (vector store) dla faktów i historii, lub specjalistyczne typy jak pamięć episodyczna, semantyczna czy proceduralna.

3. Zdecyduj się na strategię chunking — jak dzielić dokumenty na fragmenty. Testuj różne rozmiary i upewnij się, że fragmenty są rzeczywiście wyszukiwalne. Pamiętaj, że chunking bez testowania retrieval to częsty błąd.

4. Wybierz bazę wektorową (vector store) pasującą do Twojego przypadku użycia. Skill zawiera wzorce do porównania opcji dostępnych na rynku.

5. Implementuj retrieval — najważniejsza część. Filtruj wyniki po metadanych, dodaj temporal scoring, aby świeże wspomnienia miały wyższą wagę. Pamiętaj, że problemy z pamięcią agenta to prawie zawsze problemy z retrieval, nie z magazynowaniem.

6. Unikaj anty-wzorców: nie przechowuj wszystkiego na zawsze, nie używaj jednego typu pamięci dla wszystkich danych, zawsze testuj retrieval przed wdrożeniem.