Deskripsi
CheeseDB adalah mesin basis data yang dirancang khusus untuk manajemen memori AI, menekankan keterlacakan sumber dan pelupaan selektif. Berbeda dengan basis data tradisional, CheeseDB memastikan bahwa setiap informasi, atau 'memori', terhubung langsung ke sumber aslinya. Desain mendasar ini mengatasi masalah kritis dalam pengembangan agen AI: ketika sumber yang tidak dapat dipercaya diidentifikasi, menghapus sumber tersebut saja tidak cukup; semua memori yang berasal darinya juga harus dihapus untuk mencegah agen terus bertindak berdasarkan data yang salah, berbahaya, atau pribadi.
Baca Selengkapnya
Mesin ini memungkinkan pengguna dan agen AI untuk berinteraksi dengan memori menggunakan kueri dalam bahasa Inggris biasa. Dengan memanfaatkan model embedding, CheeseDB menemukan memori berdasarkan makna, menghilangkan kebutuhan untuk mencocokkan kata kunci secara tepat. Ketika sebuah memori diingat, ia dihapus secara permanen dari hasil pencarian, memastikan bahwa agen hanya mengakses informasi yang valid. Sistem ini mendukung berbagai server embedding yang kompatibel dengan OpenAI, termasuk opsi lokal seperti Ollama, LM Studio, oMLX, dan vLLM, atau API yang dihosting, memungkinkan pengguna untuk menyimpan memori mereka di mesin mereka sendiri untuk meningkatkan privasi.
Di balik layar, CheeseDB menyusun setiap catatan menjadi tiga bagian: header untuk ID dan penghubungan hash, struktur untuk tipe dan ketergantungan sumber, dan konten itu sendiri. Arsitektur ini memastikan bahwa bahkan setelah konten dihapus, sejarah dan ketergantungan tetap dapat diverifikasi, menjaga integritas rantai memori. Konten, bersama dengan vektor pencariannya, adalah satu-satunya bagian yang dihapus selama operasi penghapusan, menjadikan penghapusan benar-benar permanen dari file.
Untuk pengembang, CheeseDB menawarkan pustaka Go untuk integrasi langsung dan server MCP lokal untuk aplikasi seperti Claude Code dan Cursor. Ini menyediakan alat untuk membuat indeks, menyematkan data, dan mencari. Alat baris perintah memungkinkan instalasi dan interaksi yang mudah, termasuk perintah `find` untuk memverifikasi bahwa teks yang dihapus benar-benar hilang. Meskipun saat ini dalam pratinjau, CheeseDB ideal untuk skenario di mana agen AI belajar dari sumber yang tidak dapat dipercaya, memerlukan pengingat rantai yang dalam, membutuhkan pencarian dalam bahasa Inggris biasa, menuntut penghapusan data yang dapat diverifikasi, atau berintegrasi dengan aplikasi MCP tanpa pengkodean yang ekstensif. Nama 'CheeseDB' terinspirasi oleh praktik keamanan pangan, di mana lot susu yang terkontaminasi menyebabkan penarikan kembali roda keju tertentu, mencerminkan bagaimana basis data mengingat memori yang terkait dengan sumber yang buruk.
- KategoriBasis Data Vektor & Pengambilan
- PenerapanEmbedded
- PlatformmacOS, Linux
Fitur Inti CheeseDB
Manajemen memori yang sadar sumber untuk agen AI
Kueri dalam bahasa Inggris biasa untuk memori
Pelupaan selektif dengan mendeskripsikan apa yang harus dihapus
Basis data memori yang terhubung dengan hash untuk integritas data
Pustaka Go tersemat untuk integrasi langsung
Server MCP lokal untuk Claude Code, Cursor, dan aplikasi MCP lainnya
Dukungan untuk server embedding yang kompatibel dengan OpenAI (Ollama, LM Studio, oMLX, vLLM)
Pencarian memori berdasarkan makna, bukan hanya kata kunci
Penghapusan konten yang dapat diverifikasi sambil mempertahankan sejarah
Segmen hanya tambahkan untuk data agen di disk
Membangun kembali pohon keluarga, penghitung kaki, dan tabel offset dari log
Alat baris perintah untuk interaksi dan verifikasi
Dikembangkan di macOS dan diuji di Linux
Tidak memerlukan model atau jaringan eksternal untuk fungsionalitas inti
Integrasi dengan penyimpanan vektor yang ada dengan menyimpan ID memori
Cara menggunakan CheeseDB?
Instal CheeseDB: Gunakan `go install github.com/govinargo-labs/cheesedb/cmd/cheesedb@latest` untuk mendapatkan alat baris perintah.
Konfigurasi Model Embedding: Tambahkan dua baris ke `~/.cheesedb/llm.conf` untuk menentukan server embedding yang kompatibel dengan OpenAI Anda (misalnya, Ollama, LM Studio).
Ingat Memori: Memori baru menjadi dapat dicari saat diingat; gunakan `cheesedb embed alice` untuk mengejar memori yang lebih lama.
Cari Memori: Ajukan pertanyaan dalam bahasa Inggris biasa menggunakan `cheesedb search [agent_name] "pertanyaan Anda?"` untuk menemukan memori yang relevan.
Dapatkan Jawaban: Gunakan `cheesedb ask [agent_name] "pertanyaan Anda?"` untuk mendapatkan jawaban dari model percakapan berdasarkan memori langsung yang paling dekat.
Lupakan Memori: Deskripsikan apa yang harus dilupakan dengan `cheesedb forget [agent_name] "deskripsi"`; konfirmasi penghapusan setelah ditinjau.
Verifikasi Penghapusan: Gunakan `cheesedb find` untuk mencari byte mentah dan mengonfirmasi bahwa teks yang dihapus benar-benar hilang dari file.
Kasus Penggunaan CheeseDB
- Mengelola Sumber AI yang Tidak Dapat Dipercaya
- Pengingat Rantai Memori yang Dalam
- Pencarian Memori dalam Bahasa Inggris Biasa
- Penghapusan Data yang Dapat Diverifikasi
- Integrasi dengan Aplikasi MCP
- Solusi Pustaka Go Tersemat
- Mencegah Keracunan Memori
- Menangani Permintaan Penghapusan Data Pengguna





