Dieses Papier präsentiert eine praktische Architektur für persistente KI-Assistenten, in der langfristiges Gedächtnis, Fähigkeitsmetadaten und Kontexte des Agenten als gewöhnliche Markdown-Dateien anstelle von Zeilen in einer relationalen, dokumentenbezogenen oder Vektordatenbank gespeichert werden. In OctaMind lebt der kanonische Zustand für jeden Assistenten in menschenlesbaren Dateien wie workingₘemory.md, episodicₘemory.md, semanticₘemory.md, personality.md, habits.md, selfᵣeflection.md, skills.md und skillcontext.md. Der semantische Abruf wird durch leichtgewichtige FAISS-Indizes ermöglicht, die bei Bedarf aus diesen Dateien unter Verwendung von SentenceTransformer-Embeddings erstellt werden, während die Dateien selbst die einzige Quelle der Wahrheit bleiben. Die Implementierung koppelt ein sechsschichtiges Gedächtnissystem, periodische Hintergrundkonsolidierung, semantische episodische Abrufprozesse und semantische Werkzeugauswahl, ohne eine traditionelle Datenbankschicht einzuführen. Diese Arbeit argumentiert, dass Markdown-native Architekturen starke Vorteile für kleine bis mittelgroße KI-Systeme bieten, einschließlich Einsichtbarkeit, Debuggbarkeit, Versionierbarkeit, Portabilität und geringem Betriebskostenaufwand.
Hrishikesh Maluskar (Sat,) hat diese Frage untersucht.