Remanence
Pamięć kontekstowa, dzięki której AI nie zaczyna od zera przy każdej sesji
System pamięci dla asystentów AI budujący graf wiedzy pasywnie z pracy zespołu. Współdzielenie kontekstu między deweloperami i automatyczny zapis postępów przekładają się na mierzalną redukcję zużycia tokenów i czasu potrzebnego na orientację w projekcie.
Problem
Asystenci AI do kodowania nie mają pamięci. Każda sesja zaczyna się od zera — model przeszukuje cały projekt, zużywa tokeny na orientację w strukturze, powtarza odkrywanie tych samych zależności i konwencji. Wiedza jednego dewelopera o projekcie nie jest dostępna dla drugiego. Kontekst jest najdroższym zasobem w pracy z AI — i regularnie przepada.
Rozwiązanie
Remanence nasłuchuje na komunikację agenta, pasywnie buduje graf wiedzy z relacjami między pojęciami i na żądanie zwraca relevantny kontekst. Agent wysyła tekst, dostaje precyzyjnie dobrane informacje — bez jawnego API, bez konfiguracji po stronie dewelopera, bez zmiany sposobu pracy.
Architektura systemu
- Trójwarstwowa ekstrakcja encji
- Gazetteer Aho-Corasick dla znanych pojęć, NER Catalyst dla osób i organizacji, LLM fallback dla technicznych terminów i akronimów.
- Graf wiedzy z wagami relacji
- Encje połączone relacjami, których wagi rosną z użyciem. Kontekst wynika z powiązań w grafie, nie z pełnotekstowego przeszukiwania.
- Deterministyczny retrieval
- Identyczny input przy identycznym stanie grafu daje identyczny output. LLM nie jest zaangażowany w ścieżkę odczytu i nie wprowadza niedeterminizmu.
- Zarządzanie cyklem życia wiedzy
- Nieużywane informacje naturalnie zanikają. Unikalne fakty — identyfikatory, klucze, adresy — są automatycznie chronione przed usunięciem.
- Prywatność na poziomie architektury
- Cały system działa lokalnie na SQLite, bez zewnętrznych serwisów poza opcjonalnym LLM API. Dane nie opuszczają maszyny dewelopera.
- Współdzielenie wiedzy w zespole
- Wiedza o strukturze i konwencjach projektu dostępna dla całego zespołu. Nowy deweloper otrzymuje pełny kontekst od pierwszego dnia pracy.
Wpływ na koszty i produktywność
- Redukcja zużycia tokenów
- AI otrzymuje precyzyjny kontekst zamiast przeszukiwać cały projekt. Mniejsze prompty przekładają się bezpośrednio na niższe koszty API.
- Skrócenie czasu onboardingu
- Nowy deweloper w projekcie otrzymuje pełny kontekst natychmiast — wiedza zespołu jest w grafie, nie w dokumentacji, która szybko się dezaktualizuje.
- Eliminacja powtarzalnej pracy
- AI nie odkrywa tych samych zależności, konwencji i architektonicznych decyzji od nowa w każdej sesji.
Porozmawiajmy o optymalizacji kosztów AI w zespole
Pokażemy, jaki wpływ pamięć kontekstowa ma na zużycie tokenów i czas orientacji w projekcie dla Waszego zespołu deweloperskiego.
Umów rozmowę