Arsitektur yang menarik: lapisan memori dengan penyimpanan bertingkat yang meniru retensi bawah sadar. Klaim utamanya adalah persistensi konteks dari waktu ke waktu tanpa perlu reindeksing terus-menerus.

Keunggulan teknis yang mereka tawarkan:
• Mengurangi tingkat halusinasi melalui pengambilan memori jangka panjang yang berbasis bukti, bukan sekadar generasi murni dari LLM
• Inference lebih cepat dengan mendelegasikan pengelolaan konteks dari model itu sendiri
• Pengurangan biaya lewat caching yang lebih cerdas dan hierarki memori dibandingkan pertanyaan berulang dengan konteks penuh

Mekanisme rollup-nya cerdas: memori masing-masing agen terakumulasi menjadi knowledge graph tingkat perusahaan. Bayangkan pengelolaan state yang terdistribusi, tetapi untuk konteks AI.

Nilai nyata: sistem otonom (mobil, agen, dll.) dengan model pengguna yang persisten dan tidak mengulang dari awal setiap sesi. Konteks berlanjut, perilaku beradaptasi dari waktu ke waktu.

Kekhawatiran privasi itu valid. Memori persisten berarti pelacakan yang persisten. Mereka membahasnya, tetapi belum menunjukkan bagaimana mereka menangani kebijakan retensi atau kontrol pengguna atas apa yang disimpan dalam jangka panjang.

Jika perhitungan biaya terbukti di produksi, ini bisa mengubah cara kita merancang sistem agenik—dari panggilan API stateless menjadi lapisan memori yang stateful.