Walrus Memory

O que é o Walrus Memory?

Walrus Memory é uma camada de memória portátil para agentes de AI. Foi projetado para armazenar e recuperar contexto persistente entre apps, sessões e runtimes, para que os agentes possam continuar a trabalhar com o mesmo estado em vez de começar do zero a cada vez.

O produto é direcionado a developers que criam agentes e aplicações que precisam de memória partilhada e verificável. A fonte mostra uso tanto em Python como em TypeScript, e também pode ser adicionado a clientes de AI como Claude Code, Cursor, Codex e Gemini CLI através de um comando de setup.

Funcionalidades principais

• Memória persistente para agentes: Armazena memórias que podem ser recuperadas mais tarde, para que um agente possa continuar a partir do contexto anterior em vez de perder o estado no fim de uma sessão.
• Portátil entre apps e runtimes: A mesma camada de memória é descrita como utilizável em diferentes apps e ambientes, o que ajuda quando os fluxos de trabalho passam entre ferramentas ou deploys.
• Recuperação por query: Os agentes podem procurar memórias armazenadas com uma query em linguagem natural e receber resultados correspondentes com distâncias, o que suporta a recuperação de contexto relevante.
• Suporte para Python e TypeScript: A página inclui código de exemplo para memwal em Python e @mysten-incubation/memwal em TypeScript, indicando caminhos de integração para builders de aplicações.
• Funciona com clientes de AI e ferramentas de código: O fluxo de setup menciona Claude Code, Cursor, Codex, Gemini CLI e outros clientes, sugerindo que pode ser ligado para além de apps personalizadas.
• Memória partilhada para fluxos multiagente: O produto é apresentado como uma forma de criar fluxos em que vários agentes podem aceder à mesma memória e coordenar-se em torno de estado partilhado.
• Acesso verificável e controlado: A página destaca que a memória é persistente e está sob controlo do utilizador, e a meta description menciona controlo de acesso programável e coordenação fiável.

Como usar o Walrus Memory

Um setup típico começa por executar o comando curl fornecido para obter instruções de configuração para o cliente ou ambiente de AI que pretende usar. Depois, os developers ligam um agente ou aplicação usando o SDK ou as instruções do cliente apropriadas, configuram chaves, informação da conta e um namespace, e verificam o serviço com um health check.

A partir daí, o fluxo de trabalho é escrever memórias com remember ou remember_and_wait, e depois chamar recall com uma query quando o agente precisar de contexto. Os exemplos mostram que o produto pode ser usado tanto como uma camada de memória externa para um cliente de AI como como uma library incorporada diretamente numa aplicação.

Casos de uso

• Continuidade de agente entre sessões: Útil quando um assistente ou agente precisa de se lembrar de factos sobre um utilizador ou tarefa após o fim da sessão original.
• Coordenação multiagente: Útil quando agentes separados contribuem para o mesmo fluxo de trabalho e precisam de acesso a estado partilhado em vez de memória de sessão isolada.
• Memória incorporada na aplicação: Adequado para developers a criar apps de AI em Python ou TypeScript que precisam de recuperação persistente dentro do próprio produto.
• Memória para assistentes de programação: Pode ser ligado a ferramentas como Claude Code, Cursor, Codex ou Gemini CLI quando um fluxo de programação precisa de contexto persistente.
• Fluxos de trabalho de agente com auditoria: A fonte refere verificabilidade e trilhos de auditoria, o que torna o produto relevante para fluxos em que é importante rastrear sobre o que o agente atuou.

FAQ

O Walrus Memory armazena contexto entre sessões?
Sim. A página descreve-o como uma camada de memória portátil que mantém o contexto persistente entre apps e sessões.

Pode ser usado em mais do que uma linguagem de programação?
Sim. Os exemplos mostrados são para Python e TypeScript.

Pode ser ligado a clientes de AI existentes?
Sim. A fonte menciona especificamente Claude Code, Cursor, Codex, Gemini CLI e clientes semelhantes.

Suporta memória partilhada para vários agentes?
Sim. A página menciona explicitamente fluxos multiagente com memória partilhada.

O produto é descrito como controlado e verificável?
Sim. A fonte diz que é persistente, verificável e está sob controlo do utilizador, e também refere controlo de acesso programável.

Alternativas

• Memória baseada em sessão dentro de um único app de AI: Esta é a alternativa mais simples, mas normalmente é redefinida quando a sessão termina e não fornece contexto portátil entre ferramentas.
• Camada de memória personalizada apoiada por banco de dados: As equipes podem construir seu próprio sistema de persistência e recuperação, mas isso geralmente exige lidar elas mesmas com o design do schema, a lógica de recall e o controle de acesso.
• Banco de dados vetorial mais pipeline de recuperação: Isso pode suportar recall semântico, mas costuma ser uma configuração de infraestrutura mais ampla do que um produto de memória para agentes feito para esse fim.
• Frameworks de agentes com módulos de memória integrados: Alguns frameworks de agentes incluem recursos de memória, mas eles geralmente ficam presos a um runtime ou fluxo de trabalho específico, em vez de serem apresentados como uma camada de memória portátil.