Agents don't need memory, they need documentation

Memory plugins analyze conversations and generate 1,000 isolated snippets inserted into a vector database. On every prompt, they attach the five most similar snippets, creating a lottery over RAG snippets. This approach fails because agents don't understand projects—they need documentation, not memory.

All memory plugins follow the same flawed architecture: process transcripts, generate snippets, insert into RAG database, retrieve top 5 per prompt, and provide search tools. They suffer from problems: memories surface by similarity alone, lack context, treat past as truth, and rely on recall that becomes inaccurate as codebases change. The store is unauditable with 10,000+ embeddings.

The core assumption is wrong—agents don't forget, they need documentation. People don't rewatch old meetings; they write things down. The solution is document-based memory, not search tools over millions of tokens.

AGENTS.md files work but are often the only documentation. Under pressure to produce AI output rapidly, documentation becomes an afterthought when it should be prioritized.

plugins الذاكرية تحلل الم conversations وتنتج 1,000 قطع منفصلة تُدخل في قاعدة بياناتベクトル. في كل prompt، تُرفق أكثر 5 قطع مشابهة، مما يُنشئ يانسورة على قطع RAG. هذا النهج يُfail لأن الوكلاء لا يفهمونProjects—they يحتاجون إلى وثائق، لا ذكرى. جميع plugins الذاكرية تتبع نفس الهيكلية الخاطئة: معالجة النسخ، إنتاج قطع، إدخال في قاعدة بيانات RAG، استرجاع最好的 5 لكل prompt، وتقديم أدوات بحث. They suffer from مشاكل: الذاكرية تظهر بالتشابه فقط، تفتقر للسياق، treat الماضي كحق، وتعتمد على recall يصبح غير دقيق مع تغير الأكواد. المخزن غير قابل للتدقيق مع 10,000+ embeddings. الافتراض الأساسي خاطئ—الوكلاء لا ينسون، يحتاجون إلى وثائق. الأشخاص لا يشاهدون Meetings قديمة؛ يكتبون الأمور. الحل هو ذكرى based على الوثائق، لا أدوات بحث على ملاين Tokens.ملفات AGENTS.md تعمل لكنها أحيانًا الوثيقه الوحيدة. تحت ضغط إنتاج مخرجات AI بسرعة، تصبح الوثائق هدرًا بينما يجب أن تكون أولوية.

মেমোরি প্লাগিনগুলো কথোবার্তা বিশ্লেষণ করে এবং 1,000টি বিচ্ছিন্ন টুকরে তৈরি করে যা ভেক্টর ডাটাবেসে প্রবেশ করানো হয়। প্রতি প্রম্পটে তারা সবচেয়ে সমান 5টি টুকরে সংযোগ করে, যার ফলে RAG টুকরে একটি লটারি তৈরি হয়। এই পদ্ধতি ব্যর্থ হয় কারণ এজেন্টগুলো প্রকল্পগুলো বোঝে না—তাদের ডকুমেন্টেশন দরকার, মেমোরি নয়। সব মেমোরি প্লাগিন একই ত্রুটিপূর্ণ স্থাপত্য অনুসরণ করে: ট্রান্সক্রিপশন প্রক্রিয়াজারকরণ, টুকরে তৈরি, RAG ডাটাবেসে প্রবেশ, প্রতি প্রম্পটে সর্বোচ্চ 5টি পুনরায় আহরণ, এবং অনুসন্ধান সরঞ্জাম প্রদান। তাদের সমস্যা আছে: মেমোরিগুলো কেবল সমানতার ভিত্তিতে আসে, প্রসঙ্গ নেই, অতীতকে সত্য হিসেবে গ্রহণ করে, এবং কোডবেস পরিবর্তন হলে অনুস্মৃতি অনিশ্চিত হয়। স্টোর 10,000+ এমবেডিংয়ের জন্য অডিট করা যায় না। মূল অনুমান ভুল—এজেন্টরা ভুলে না, তাদের ডকুমেন্টেশন দরকার। মানুষ পুরানো সভাগুলো পুনরায় দেখে না; তারা জিনিসগুলো লেখে। সমাধান হলো ডকুমেন্ট-ভিত্তিক মেমোরি, মিলিয়ন টোকেনের উপর অনুসন্ধান সরঞ্জাম নয়। AGENTS.md ফাইলগুলো কাজ করে কিন্তু প্রায়শই একমাত্র ডকুমেন্টেশন। AI আউটপুট তাড়াতাড়ি তৈরির চাপে, ডকুমেন্টেশন একটি পরে ভাবার বিষয় হয় যখন এটি অগ্রাধিকার পেতে উচিত।

Memory-Plugins analysieren Conversations und generieren 1.000 isolierte Fragmente, die in eine Vektor-Datenbank eingefügt werden. Bei jedem Prompt fügen sie die fünf ähnlichsten Fragmente an, was zu einer Lotterie über RAG-Fragmente führt. Dieser Ansatz scheitert, weil Agenten keine Projekte verstehen—sie benötigen Dokumentation, nicht Memory.

Alle Memory-Plugins folgen der gleichen fehlerhaften Architektur: verarbeiten Transkriptionen, generieren Fragmente, fügen in RAG-Datenbank ein, holten Top 5 pro Prompt ab und stellen Suchtools bereit. Sie leiden unter Problemen: Memories erscheinen nur durch Ähnlichkeit, fehlen Kontext, treat Vergangenheit als Wahrheit und basieren auf recall, der mit sich ändernden Codebases ungenau wird. Der Store ist nicht auditierbar mit 10.000+ Einbettungen.

Die Kernannahme ist falsch—Agenten vergessen nicht, sie benötigen Dokumentation. Menschen gucken alte Meetings nicht an; sie schreiben Dinge auf. Die Lösung ist document-basiertes Memory, nicht Search-Tools über Millionen von Tokens.

AGENTS.md-Dateien funktionieren, sind aber oft die einzige Dokumentation. Unter Druck, AI-Ausgaben schnell zu produzieren, wird Dokumentation zu einem Afterthought, wenn sie priorisiert werden sollte.

Los plugins de memoria analizan conversaciones y generan 1,000 fragmentos aislados insertados en una base de datos vectorial. En cada prompt, adjuntan los 5 fragmentos más similares, creando una lotería sobre fragmentos RAG. Este enfoque falla porque los agentes no entienden los proyectos: necesitan documentación, no memoria.

Todos los plugins de memoria siguen la misma arquitectura defectuosa: procesan transcripciones, generan fragmentos, insertan en la base de datos RAG, recuperan los top 5 por prompt y proporcionan herramientas de búsqueda. Sufren de problemas: las memorias aparecen solo por similitud, carecen de contexto, tratan el pasado como verdad y se apoyan en un recuerdo que se vuelve inexacto a medida que los códigos cambian. El almacén no es auditoriable con más de 10,000 incrustaciones.

El supuesto central es incorrecto: los agentes no olvidan, necesitan documentación. Las personas no ven viejas reuniones; escriben las cosas. La solución es la memoria basada en documentos, no herramientas de búsqueda sobre millones de tokens.

Los archivos AGENTS.md funcionan, pero a menudo son la única documentación. Bajo presión para producir salida AI rápidamente, la documentación se convierte en una afterthought cuando debería ser priorizada.

Les plugins de mémoire analysent les conversations et génèrent 1 000 extraits isolés insérés dans une base de données vectorielle. À chaque prompt, ils attachent les cinq extraits les plus similaires, créant une loterie sur les extraits RAG. Cette approche échoue car les agents ne comprennent pas les projets : ils ont besoin de documentation, pas de mémoire. Tous les plugins de mémoire suivent la même architecture défectueuse : traiter les transcriptions, générer des extraits, insérer dans la base de données RAG, récupérer les cinq premiers par prompt et fournir des outils de recherche.

Ils souffrent de problèmes : les mémoires apparaissent par similarité seule, manquent de contexte, traitent le passé comme une vérité et dépendent d'un rappel qui devient imprécis à mesure que les bases de code changent. Le magasin est inauditables avec plus de 10 000 embeddings. L'hypothèse centrale est fausse—les agents n'oublient pas, ils ont besoin de documentation.

Les gens ne revoient pas les anciennes réunions ; ils écrivent les choses. La solution est une mémoire basée sur les documents, pas des outils de recherche sur des millions de tokens. Les fichiers AGENTS.md fonctionnent mais sont souvent la seule documentation.

Sous la pression de produire une sortie AI rapidement, la documentation devient une après-pensée alors qu'elle devrait être priorisée.

मेमोरी प्लगइन्स वार्तालापों का विश्लेषण करते हैं और वेक्टर डेटाबेस में 1,000 अलग-अलग टुकड़े जोड़ते हैं। प्रति प्रॉप्ट, वे सबसे समान 5 टुकड़े जोड़ते हैं, जिससे RAG टुकड़ों पर एक लॉटरी बन जाती है। यह तरीका असफल होता है क्योंकि एजेंट्टिंग को परियोजनाओं की समझ नहीं होती—उन्हें डॉक्यूमेंटेशन चाहिए, मेमोरी नहीं। सभी मेमोरी प्लगइन्स एक ही दोषपूर्ण आर्किटेक्चर का पालन करते हैं: ट्रांसक्रिप्ट प्रोसेस करते हैं, टुकड़े जनरेट करते हैं, RAG डेटाबेस में डालते हैं, प्रति प्रॉप्ट टॉप 5 रिट्रीव करते हैं, और सर्च टूल्स प्रदान करते हैं। उन्हें समस्याएं होती हैं: मेमोरी समानता के आधार पर ही सामने आती हैं, संदर्भ नहीं होता, अतीत को सच मानते हैं, और वे रिकॉल पर निर्भर करते हैं जो कोड बेस बदलने पर अशुद्ध हो जाते हैं। स्टोर में 10,000+ एम्बेडिंग्स होने के कारण ऑडिट नहीं किया जा सकता। मूल धारणा गलत है—एजेंट्टिंग को भूलना नहीं, डॉक्यूमेंटेशन चाहिए। लोग पुरानी बैठकों को फिर से नहीं देखते; वे चीजें लिखते हैं। हल डॉक्यूमेंट-आधारित मेमोरी है, मिलियनों टोकन पर सर्च टूल्स नहीं। AGENTS.md फाइल्स काम करती हैं लेकिन अक्सर यहीं एकमात्र डॉक्यूमेंटेशन होती है। AI आउटपुट तेजी से पैदा करने के दबाव में, डॉक्यूमेंटेशन एक बाद में सोचने की चीज बन जाती है जबकि इसे प्राथमिकता दी जानी चाहिए।

Plugin memori menganalisis percakapan dan menghasilkan 1.000 potongan terisolasi yang dimasukkan ke basis data vektor. Setiap prompt, mereka menempelkan 5 potongan paling mirip, menciptakan loteri di atas potongan RAG. Pendekatan ini gagal karena agen tidak memahami proyek—mereka membutuhkan dokumen, bukan memori.

Semua plugin memori mengikuti arsitektur yang sama rusak: memproses transkrip, menghasilkan potongan, memasukkan ke basis data RAG, mengambil 5 teratas per prompt, dan menyediakan alat pencarian. Mereka menderita masalah: memori muncul hanya berdasarkan kesamaan, kekurangan konteks, treat masa lalu sebagai kebenaran, dan bergantung pada recall yang menjadi tidak akurat seiring berubahnya basis code. Store tidak dapat diaudit dengan 10.000+ embeddings.

Asumsi inti salah—agen tidak lupa, mereka membutuhkan dokumen. Orang tidak menonton kembali rapat lama; mereka menulis hal-hal. Solusi adalah memori berbasis dokumen, bukan alat pencarian di atas jutaan token.

File AGENTS.md bekerja, tetapi seringkali satu-satunya dokumen. Di bawah tekanan untuk menghasilkan output AI dengan cepat, dokumen menjadi afterthought seharusnya diprioritaskan.

メモリープラグインは会話を分析し、ベクトルデータベースに挿入される1,000個の孤立した断片を生成する。各プロンプトで、最も類似する5つの断片を添付し、RAG断片のくじを引き起こす。このアプローチは失敗する—エイジェントはプロジェクトを理解しないから。エイジェントは文書化が必要で、メモリープラグインではない。すべてのメモリープラグインは同じ欠陥アーキテクチャに従う：トランスクリプションを処理し、断片を生成し、RAGデータベースに挿入し、各プロンプトで上位5つを取得し、検索ツールを提供する。問題を抱える：メモリは類似性のみで表れ、文脈を欠き、過去を真実と扱い、コードベースが変化するに従って不正確になる recallに依存する。ストアは10,000以上の埋め込みで監査できない。中心的な仮定は間違っている—エイジェントは忘れない、文書化が必要だ。人々は旧会議を再視聴しない；書き留める。解決策は文書ベースのメモリであり、数百万tokenの検索ツールではない。AGENTS.mdファイルは動作するが、よく唯一の文書化である。AI出力を迅速に作る圧力下、文書化は後回しになるべきところが優先されるべきだ。

Plugins de memória analisam conversações e geram 1.000 trechos isolados inseridos em um banco de dados vetorial. Em cada prompt, eles anexam os cinco trechos mais similares, criando uma loteria sobre trechos RAG. Essa abordagem falha porque os agentes não entendem os projetos—eles precisam de documentação, não de memória.

Todos os plugins de memória seguem a mesma arquitetura defeituosa: processam transcrições, geram trechos, inserem no banco de dados RAG, recuperam os top 5 por prompt e fornecem ferramentas de busca. Eles sofrem de problemas: memórias aparecem apenas por similaridade, carecem de contexto, tratam o passado como verdade e dependem de recall que se torna impreciso à medida que os códigos mudam. O armazenamento é não auditável com mais de 10.000 embeddings.

A premissa central está errada—os agentes não esquecem, eles precisam de documentação. As pessoas não reveem reuniões antigas; elas escrevem as coisas. A solução é memória baseada em documentos, não ferramentas de busca sobre milhões de tokens.

Arquivos AGENTS.md funcionam, mas são frequentemente a única documentação. Sob pressão para produzir saídas de IA rapidamente, a documentação torna-se uma afterthought quando deveria ser priorizada.

Плагины памяти анализируют беседы и генерируют 1 000 изолированных фрагментов, вставляемых в векторную базу данных. При каждом запросе они прикрепляют пять самых похожих фрагментов, создавая лотерею на RAG-фрагменты. Этот подход неудачен, потому что агенты не понимают проекты—им нужна документация, а не память. Все плагины памяти следуют одинаковой неисправной архитектуре: обрабатывают транскрипции, генерируют фрагменты, вставляют в базу данных RAG, извлекают топ-5 по запросу и предоставляют инструменты поиска. Они страдают от проблем: память появляется только по сходству, lacks контекста, treat прошлое как истину и полагаются на recall, который становится неточным по мере изменения кода. Хранилище не аудируемо с 10 000+ вложениями. Основное предположение неверно—агенты не забывают, им нужна документация. Люди не пересматривают старые встречи; они записывают вещи. Решение—это документно-ориентированная память, а не инрументы поиска по миллионам токенов. Файлы AGENTS.md работают, но часто являются единственной документацией. Под давлением для быстрого создания выходов IA документация становится afterthought, когда она должна быть приоритетом.

记忆插件会分析对话并生成1,000个孤立片段，插入向量数据库。每次提示时，它们会附加最相似的5个片段，从而在RAG片段上形成一种“抽奖”机制。这种方法之所以失败，是因为智能体并不理解项目——它们需要的是文档，而非记忆。所有记忆插件都遵循相同的有缺陷的架构：处理转录文本、生成片段、插入RAG数据库、每次提示检索前5个，并提供搜索工具。它们面临诸多问题：记忆仅凭相似性浮现，缺乏上下文，将过去视为真理，并依赖随着代码库变化而变得不准确的召回。存储库包含10,000多个嵌入，无法审计。核心假设是错误的——智能体并非遗忘，而是需要文档。人们不会重看旧会议记录；他们会把事情写下来。解决方案是基于文档的记忆，而非在数百万个标记上运行的搜索工具。AGENTS.md 文件虽然有效，但往往只是唯一的文档。在快速生成AI输出的压力下，文档常被忽视，而它本应被优先考虑。