Nieuwe tool geeft AI-coding-agents een permanent geheugen via Git

Wie weleens met een AI-assistent heeft geprogrammeerd, kent het probleem: zodra het gesprek eindigt, is alle context weg. Architectuurbeslissingen, uitleg over eigenaardigheden in de code en afspraken met het team moeten telkens opnieuw worden uitgelegd. Een groep ontwikkelaars heeft daar nu iets op gevonden met OKF Agent Memory, een gratis en open-source tool die is gepubliceerd op softwareplatform GitHub.

Het systeem is gebouwd op een open standaard van Google, genaamd Open Knowledge Format (OKF). In plaats van kennis op te slaan in een ingewikkelde database, gebruikt de tool gewone Markdown-bestanden met een klein stukje gestructureerde data erbovenop. Die bestanden komen terecht in dezelfde Git-omgeving waarin ontwikkelaars toch al hun broncode bijhouden. Daardoor kun je met standaardcommando's precies zien wie welke kennis heeft toegevoegd of gewijzigd, net zoals bij reguliere code.

Waarom dit sneller en goedkoper is

Veel bestaande geheugensystemen voor AI-agents, zoals Mem0 en Letta, zoeken kennis op met behulp van zogeheten vectordatabase-technieken. Dat werkt goed, maar kost tijd en geld: elke zoekopdracht vereist een aanroep naar een extern AI-model om tekst om te zetten in getallen, wat al snel 150 tot 800 milliseconden duurt en geld kost per zoekactie. OKF Agent Memory gebruikt in plaats daarvan een klassieke zoektechniek die BM25 heet en volledig lokaal draait. Een zoekopdracht duurt daardoor minder dan 300 microseconden, duizenden keren sneller, en kost niets aan API-gebruik.

De tool is volledig geschreven in de programmeertaal Go en heeft geen enkele externe afhankelijkheid nodig. Dat maakt het programma extreem licht: het start in minder dan vier milliseconden op en gebruikt minder dan 15 megabyte werkgeheugen, tegenover honderden megabytes bij vergelijkbare Python-gebaseerde systemen.

Minder tokens, minder kosten

Een ander probleem dat de makers aanpakken is wat zij 'context bloat' noemen: AI-modellen krijgen te veel irrelevante informatie voorgeschoteld, wat duur is en de kwaliteit van antwoorden kan verlagen. OKF Agent Memory lost dit op met een techniek die 'progressive disclosure' heet: kennis wordt hiërarchisch georganiseerd in indexbestanden, zodat een AI-agent alleen precies het stukje informatie ophaalt dat nodig is. Volgens de ontwikkelaars scheelt dit tot 80 procent aan tokens, de rekeneenheden waarop AI-taalmodellen worden afgerekend.

De tool werkt bovendien samen met het Model Context Protocol (MCP), een open standaard waarmee AI-assistenten zoals Claude Code, Cursor en Codex externe tools kunnen aanroepen. Met één commando kan een ontwikkelaar het hele geheugensysteem in een bestaand softwareproject zetten, inclusief instructies die de AI-agent vertellen hoe het de kennisbank moet gebruiken en bijwerken.

Het project is domeinonafhankelijk opgezet: naast software-ontwikkeling noemen de makers ook toepassingen in coaching, wetenschappelijk onderzoek en operationeel beheer. Omdat alles in platte tekst staat, kan een team de kennis van een AI-agent net zo makkelijk controleren en corrigeren als reguliere programmacode.