stephenschoettler/hermes-lcm

解決する問題

hermes-lcm は、AIエージェントにおける「損失のある」コンテキスト圧縮の問題に対処します。標準的な圧縮では通常、古いメッセージを削除したり、単一のブロックに要約したりするため、エージェントは以前の会話ターンの正確で逐語的な詳細にアクセスできなくなります。このプロジェクトは、アクティブなプロンプトを制限しつつ、情報が完全に削除されることがないようにする、ロスレスのコンテキスト管理システムを提供します。

仕組み

このプラグインは、標準的なワンショット圧縮を、SQLiteバックアップのDAG（有向非巡回グラフ）ベースのコンテキストエンジンに置き換えます。これは、いくつかの主要なメカニズムを通じて動作します：

• 永続化: すべての生のメッセージは、全文検索（FTS）メタデータを持つローカルのSQLiteデータベースに保存されます。
• 階層的要約: 古いコンテキストは「深さを意識した」要約ノードに圧縮されます。これらが蓄積されると、階層的なDAGに凝縮され、エージェントは高レベルの要約から特定の詳細まで移動できます。
• 境界のあるアセンブリ: アクティブなプロンプトは、システムプロンプト、最も価値のある要約、および最近のメッセージの保護された「フレッシュテール」から構築されます。
• リコールツール: エージェントには、メインプロンプトを圧迫せずに正確な生のメッセージや子要約を検索、検査、取得するためのツールスイート（例：lcm_grep、lcm_recall、lcm_expand）が提供されます。
• 外部化: 過大なペイロード（大きなツール結果など）は、コンテキストウィンドウを混雑させないように、回復可能な参照に移動されます。

対象ユーザー

これは、Hermes Agent のユーザーで、長期的なメモリと、複雑なマルチターンのやり取り中にエージェントが正確な履歴データを自律的に回復できることを必要とする人々向けに設計されています。

ハイライト

• ロスレスメモリ: 生のメッセージは、アクティブなプロンプトが圧縮された後でも保存され、回復可能です。
• 要約DAG: ソースの系統と深さを意識した取得を維持するために、要約に階層構造を使用します。
• 包括的なツールセット: 検索、リコール、証拠に基づく計算、データベースの健全性診断のための15の専門ツールを提供します。
• ソースを意識した取得: 子孫のソース系統に基づいて、生の行と要約をフィルタリングします。
• 柔軟なコントロール: 機密パターンの編集、時間的なメモリロールアップ、埋め込みによるセマンティック取得のオプションが含まれます。