Evet, var — ama tek bir "kazanan" yok. Ajanlar için bellek sistemleri 2026'da üç aileye ayrılıyor: katmanlı bellek (MemGPT tarzı), dosya tabanlı bağlam (MEMORY.md/USER.md tarzı) ve bilgi grafiği yaklaşımları. Hangi açık kaynak projenin sana uyduğu, hangi harness'ı kullandığına bağlı.
| Proje | Yaklaşım | Harness desteği | Not |
|---|---|---|---|
| Letta (MemGPT) | Katmanlı bellek + araçlar | Kendi ajan framework'ü, API | En olgun; ama kendi ekosistemine bağlı |
| Memorix | Redis tabanlı hiyerarşik bellek | Claude Code başta | Hafif, hızlı kurulum |
| dsh-memory | MEMORY.md/USER.md dosya tabanlı | dsh | Hermes-agent portu; en basit seçenek |
| Engram | FSRS planlamalı öğrenme döngüsü | dsh + 7 harness daha | "Ajanı değil seni eğitir" yaklaşımı |
| primordial-soup | Çarpışma tabanlı bellek adaptörü | dsh | Deneysel, ilginç mimari |
| mindspace | Oturum izole düzenlenebilir bellek | dsh | Basit ve pratik |
| Obsidian + grafik eklentileri | Manuel bilgi grafiği | Harness bağımsız | Ajan entegrasyonu yok, elle yönetilir |
Gerçek grafik tabanlı ajan belleği (düğümler + ilişkiler + provenance) hâlâ olgunlaşmamış alan. Neo4j/grafik veritabanı üzerine kurulan projeler var ama kurulum yükü ağır ve ajanlara giriş katmanı (MCP/araç) hâlâ ince. 2026'da pratik çoğunluk dosya tabanlı katmanlama kullanıyor: basit, taşınabilir, her harness'ta çalışıyor.
dsh-memory ile başla (MEMORY.md/USER.md) — 10 dakikada kurulur; ihtiyaç büyürse Engram'ı öğrenme katmanı olarak ekle.AGENTS.md + memory/ klasörü disiplini — en az sürprizli yol.Not: "Unutkanlık" probleminin büyük kısmı bellek sisteminden değil, kompaktlama politikasından gelir. dsh'de minimal preset'in RL kompozisyonu, uzun oturumlarda bağlam tutarlılığını bellek eklentisinden daha çok etkiler.