Ringkasan: Acontext adalah skill memory layer open-source untuk AI agent yang menangkap pembelajaran dari eksekusi agent dan mengubahnya menjadi file skill yang bisa diedit. Hasilnya: agent yang belajar dari masa lalu tanpa polusi konteks yang tidak transparan.

• Menangkap task outcomes, observasi, dan pola dari eksekusi agent
• Menyimpan sebagai file skill yang bisa dibaca, diedit, dan dibagikan
• Agent bisa query file skill dan memperbaruinya setelah run baru
• Manusia tetap kontrol dengan mengedit file skill
• Interoperabel antar agent dan LLM
• Berbasis file, bukan vector memory

Acontext adalah memory layer untuk AI agent: menangkap pembelajaran dari agent runs, mengubahnya jadi file skill yang bisa diedit, dan membuat eksekusi masa lalu bisa dipakai ulang lintas agent dan framework. Janjinya sederhana — agent yang belajar dari masa lalu, tanpa opaque context pollution.

Note: Acontext menyimpan structured lessons (SOP, reusable skill files), bukan dump percakapan mentah. Ini membuat pembelajaran jangka panjang lebih auditable dan modular.

Apa ini

Acontext menangkap task outcomes, observasi, dan pola berulang dari eksekusi agent, lalu menyimpannya sebagai file yang bisa dibaca, diedit, dan dibagikan. Tujuannya: melampaui memori fana, memberi agent skill layer ringan berbasis file.

Diskusi komunitas dan umpan balik awal.

Cara kerja

Acontext menyambung ke agent runs, mengekstrak data terstruktur tentang aksi, hasil, dan langkah yang dipelajari, lalu menulisnya sebagai file skill berversi. Agent bisa melakukan query file ini sebagai bagian dari konteks, memperbaruinya setelah run baru, dan menggunakan ulang prosedur yang terbukti berhasil. Ini menciptakan feedback loop — agent meningkat dari eksekusi masa lalu, manusia tetap kontrol dengan mengedit file skill.

# quick start (example)
git clone https://github.com/memodb-io/Acontext.git
cd Acontext
# follow the README to install and run, or use the provided quick start in the repo

Fitur	Catatan
Skill files	File readable dan editable dari eksekusi masa lalu
Learn from runs	Observasi dan SOP ditangkap otomatis
Interoperabel	Bisa dibagikan antar agent dan LLM
Setup cepat	Dua baris perintah, klaim dari proyek

Note: Jalankan Acontext di sandbox saat evaluasi. Audit file skill sebelum mengizinkan agent bertindak otomatis. **Kelebihan dan Kekurangan** **Kelebihan** - Eksekusi fana jadi aset reusable yang meningkatkan performa agent - Format file membuat memori auditable dan editable - Mendorong human-in-the-loop untuk validasi **Kekurangan** - Ekstraksi skill otomatis tergantung kualitas observasi - Risiko akumulasi SOP yang salah jika tidak dikurasi - Perlu integrasi untuk agent yang menggunakan dense vector memory [!NOTE] Agent yang menulis skill sendiri bisa memperkuat perilaku buruk jika tidak direview. Selalu validasi dan version control skill sebelum produksi.

Tautan proyek

• https://github.com/memodb-io/Acontext

Kata orang-orang:

“Interesting to see memory tools going beyond just memory towards full context.” @_saransh_saboo

“Always interesting to see projects moving towards context, not just RAG or memory” @gargi_gupta97

Coba lokal

1. Clone repo dan baca quick start
2. Jalankan contoh agent flow di workspace terisolasi, inspeksi skill files yang dihasilkan