JARVIX Memory

Système de mémoire cognitive persistante, multi-couches, pour agents IA — avec boucle fermée de vérification, expérimentation et apprentissage. 100% local (SQLite, pas de cloud), interface Python + MCP (87 outils) + web UI.

Le projet est distribuable sans rien éditer à la main : aucun chemin codé en dur, aucune donnée personnelle. La configuration se fait par config.json (local) et variables d'environnement.

Architecture

                    AGENT (opencode, MCP)
                         │
                  MEMORY ROUTER
                         │
   ┌────┬────┬────┬──────┼────┬─────┬────────┐
   ▼    ▼    ▼    ▼      ▼    ▼     ▼        ▼
episodic semantic procedural decision graph + 8 autres couches
                         │
   ADMISSION → JUGEMENT (JEV) → RECHERCHE (hybride/value-coût)
                         │
   Runtime (P2.9) ← Calibration ← Observation ← Perception
                         │
      AUTOVERIFIER (preuves fichier/git/commande/mesure)
                         ↓
         EXPERIMENT (hypothèses, do_not_repeat)
                         ↓
      RECOVERY · STRATEGY · PROACTIVE · CONSOLIDATION

13 couches mémoire : episodic, semantic, procedural, decision, graph, verification/evidence, hypothesis, experiment, recovery, world, cost, strategy, environment + consolidation.

3 cerveaux séparés :

• Mémoire — conserve l'expérience et les connaissances (traceable, vérifiable)

• LLM (optionnel) — génère, explique, résume

• JEV — juge rapidement via des primitives typées (Choice/Score/Gate), sans texte, seuils dans le code

Related MCP server: madb-mcp-server

Démarrage rapide

# Installation (Python >= 3.10)
pip install -e .

# Pour la recherche vectorielle + l'UI
pip install -e ".[vector,ui]"
pytest tests/            # 29 tests unitaires → OK

CLI

python memoire.py add "<contenu>" --type semantic --source "<src>"
python memoire.py search "<termes>"   # AND implicite, fallback OR
python memoire.py stats | list | get <id>
python memoire.py decision "<quoi>" "<pourquoi>"
python memoire.py episodic "<action>" "<resultat>"

Interface web

python -m jarvix_memory.ui.app          # http://127.0.0.1:5000
# recherche hybride, chat RAG, couches, fichiers, llama.cpp, device adb, bilan, autopush GitHub

Serveur MCP (pour agents type opencode)

{ "mcpServers": { "jarvix-memory": {
    "command": "python", "args": ["mcp_server.py"], "cwd": "<chemin-du-programme>"
}}}

87 MCP tools organisés en 20 familles : core (5), episodic (2), semantic (2), graph (2), decision (2), procedural (2), verification (3), action (6), strategy (5), learning (3), recovery (5), proactive (5), world model (7), consolidation (1), CRUD (3), bilan (1), vector (3), embeddings (2), LLM reasoning (4), verify_auto (11), env/experiment (10), P1 cost/strategy/monitor (5), P2 perception/quant/jev (8), autopilot git (1).

Exécumentos clés :

Apprendre sans fine-tuning

# Déclarer une hypothèse testable, l'expérimenter, la réfuter — le système n'oublie jamais
hyp = router.experiment.propose_hypothesis("mmap causes the reboot")
router.experiment.run_experiment(hyp["id"], "test-A", "no effect", success=False, env_id=env["env_id"])
router.experiment.conclude(hyp["id"], "refuted")   # do_not_repeat activé

# Avant un re-test : JARVIX bloque les pistes déjà réfutées
router.experiment.repeat_guard("mmap causes the reboot")   # → {"blocked": true, ...}

Configuration (aucun chemin hardcodé)

Tout est dérivé de l'environnement :

• jarvix_memory.db : DB SQLite locale, créée à côté du paquet au premier appel ; migrée automatiquement (versionning schema_version, actuellement v4).

• Variables d'environnement (optionnelles) :

  • JARVIX_PROJECT_ROOT — racine du projet à scanner dans les bilans (défaut : cwd)

  • JARVIX_REPORTS_DIR — où écrire les rapports (défaut : reports/ dans le paquet)

  • JARVIX_LLAMA_URL — URL llama.cpp (défaut http://127.0.0.1:8080)

• config.json (créé à la première sauvegarde, tenu privé : dans .gitignore) :

  { "llama_exe": "/chemin/vers/llama-server.exe", "gguf_dirs": ["/mes/modeles"], "llama_port": 8080 }

• config.example.json donne le template committé, sans data perso.

Tests

pytest tests/test_core.py -q       # 29 tests unitaires
python test_all_tools.py           # 87/87 MCP tools vérifiés end-to-end

Git autopilot

autopush(project_id="X") exporte les souvenirs du projet vers docs/memoire_<project>.md, commit et pousse vers origin main. La base SQLite elle-même ne quitte jamais la machine — uniquement le markdown exporté.

Ce que le projet fait / ne fait pas

Fait : mémoire persistante par couches, preuves et provenance, vérification déterministe, mémoire négative (hypothèses réfutées + garde), reconnaissance d'environnement, sélection de stratégie selon coût, prompts sélectifs, JEV de jugement, perception log/fichiers, autopush git per-project.

Ne fait pas : LLM (il en fournit la mémoire), agent autonome, recherche web, garant de vérité, base vectorielle seule, fine-tuning de modèle, substitution au système de fichiers.

Structure

• src/jarvix_memory/core/ — database, models, migration (v4), environment, cost, autopilot

• src/jarvix_memory/{episodic,semantic,procedural,decision,graph}/ — couches mémoires

• src/jarvix_memory/{verification,experiment}/ — claims → preuve → verdict ; hypothèses → expériences

• src/jarvix_memory/{action,strategy,learning,recovery,proactive,world,multimodal,consolidation}/

• src/jarvix_memory/llm/ — raisonnement RAG optionnel (llama.cpp/OpenAI-compat)

• src/jarvix_memory/ui/ — dashboard Flask

• mcp_server.py, memoire.py (CLI), bilan.py (rapport autonome)

• docs/ — exports autopush ; .gitignore protège config.json, DB, logs