Go で開発したオープンソース AI エージェント用の認知メモリレイヤー — 忘れているのは機能にしてはならないからです

私はオープンソースからしばらく離れていたのですが、最近の LLM 急成長により再び好奇心が喚起され、揺るがなかった問いがあります： なぜこれらのモデルは能力が極めて高いのに、忘れるほどなのでしょうか？ 答えは設計にあります。LLM は論理推論器と知識ベースの両方を統合し、訓練時点で凍結されています。その日が知る限り、それが唯一の知識となります。卓越した推論。ゼロ成長。 何か新しいことが起こると — 会話、意思決定、失敗 — それらの情報はどこにも行き着けません。代替手段は痛みを伴います：モデルを再訓練する、コンテキストウィンドウにデータを詰め込む、RAG を使用します。これらはいずれもメモリではありません。パッチに過ぎません。 そこで私は Stash を構築しました。LLM を修復するためではなく、LLM が残す隙間を満たすためです。エージェントの体験を捕捉し、それを知識グラフへ合成し、目標を追跡し、失敗から学習し、セッション間をわたって推論する、自己ホストできるレイヤーです。モデルは凍続します。Stash が成長します。 この分野にある他の実験については既に存在しており、これは良い兆候です。問題は本物です。Stash はその答えです。 この業界が仕事を完了することを忘れたと思い、すべての分野で最も危険な言葉は「それだけがその方法だ」だと信じてきた者が作成した Stash です。 GitHub: https://alash3al.github.io/stash

I've been away from open source for a while. But the recent explosion of LLMs reignited my curiosity — and one question I couldn't shake: Why are these models so powerful yet so forgetful? The answer is in their design. LLMs are trained to be both a reasoner and a knowledge base — fused, frozen at training time. Whatever they knew that day is all they'll ever know. Brilliant reasoning. Zero growth. When something new happens — a conversation, a decision, a failure — there's nowhere for it to go. The workarounds are painful: retrain the model, stuff the context window, use RAG. None of these are memory. They're duct tape. So I built Stash. Not to fix the LLM — but to fill the gap it leaves behind. A self-hosted layer that captures what your agent experiences, synthesizes it into a knowledge graph, tracks goals, learns from failures, and reasons across sessions. The model stays frozen. Stash grows. I know there are other experiments in this space — that's a good sign. The problem is real. Stash is my honest answer to it. Built by someone who thought the industry forgot to finish the job — and who has always believed that the most dangerous words in any field are: "that's just how it works." Github: https://alash3al.github.io/stash