Il s’agit d’un MCP open source qui stocke les conversations avec l’IA et les documents dans SQLite ou PostgreSQL.
La différence avec LLM Wiki ou d’autres mémoires, c’est le partage et la recherche de mémoire entre IA.
Il est possible de partager une seule mémoire entre le travail à la maison et le travail au bureau. Il est aussi possible de partager les résultats du travail entre les membres d’une équipe dans une mémoire unique.
Les données sont transformées en Graph+RAG puis stockées dans la base de données.
Le Graph est un Event-Centric Knowledge Graph (ECKG) et sa particularité est qu’il ne définit pas à l’avance un schéma de relations comme d’autres graphes. Il continue d’évoluer au fur et à mesure que les données s’accumulent.
Pour l’installation, vous pouvez soit extraire et exécuter l’archive fournie, soit installer directement l’open source vous-même.
Si vous exécutez l’archive après l’avoir extraite, le gestionnaire se lance.
Il suffit de choisir la base de données à utiliser et l’IA sur laquelle installer le MCP, puis tout le reste se fait automatiquement.
Une base de données d’exemple est également incluse, ce qui vous permettra de l’installer facilement et de vérifier son fonctionnement réel.
La base d’exemple contient des articles Wikipédia sur les Beatles et les romans originaux de Sherlock Holmes, sans problème de droits d’auteur. (C’est en anglais, mais la recherche fonctionne aussi dans d’autres langues.)
Merci.
Source : https://github.com/rawdev/MemoryWeft
Installation : https://github.com/rawdev/MemoryWeft/tags
7 commentaires
Oh, l’idée est bonne. Moi aussi, je vais devoir réfléchir à la manière de l’utiliser.
Merci.
Quelles sont les différences par rapport à Context Mode ou AgentMemory ?
Bonjour. Merci pour votre intérêt.
J’ai appris l’existence d’AgentMemory pour la première fois grâce au commentaire de smaker.
Si je l’avais su plus tôt, je n’aurais peut-être pas créé Mweft.
Heureusement, après avoir regardé AgentMemory, il me semble que son orientation et sa technologie interne sont différentes de celles de Mweft.
D’abord, mweft a été conçu en pensant à la collaboration comme principe de base. AgentMemory semble aussi avoir des fonctions de collaboration, mais en raison d’une différence d’orientation, sa structure interne paraît différente.
mweft sert d’outil d’assistance pour aider à produire de meilleurs résultats. Même pour le graphe ou le RAG, l’accent est mis davantage sur la recherche de relations que sur la rigueur stricte. AgentMemory a lui aussi une structure en graphe, mais il me semble que mweft adopte une approche différente.
AgentMemory semble avoir été conçu avec pour objectif l’IA de programmation. C’est pourquoi la précision y paraît importante. Mweft peut se tromper. C’est un outil destiné à donner des indices, afin d’inciter l’IA ou les personnes à aller chercher par elles-mêmes.
Mon analyse peut être erronée. Si vous avez des conseils à me donner, je les écouterai avec gratitude.
Merci.
Le mode Context est destiné à une utilisation purement axée sur la mémoire, ce qui le différencie de Mweft, qui vise la collaboration.
Euh… il ne suffit pas d’utiliser Codex ?
Bonjour. Merci pour votre intérêt.
Je n’ai pas beaucoup utilisé Codex, donc je vais répondre dans la limite de ce que je sais. Je peux me tromper.
D’abord, Mweft ne sert pas à partager le résultat final du travail.
Il permet de partager, au fil du processus, les contenus issus des échanges avec l’IA. Pour le livrable final, il faut utiliser d’autres outils comme GIT. Comme ce qui est partagé n’est pas le résultat final mais les étapes intermédiaires, on peut suivre le flux de travail.
Et cette fonction est complétée par l’utilisation de graph + rag.
Mweft permet aussi de partager le travail entre Claude, Codex et Gemini CLI.
Merci.