AI nástroje dnes umí psát kód, refaktorovat projekty, analyzovat logy i vést dlouhé technické konverzace. Problém je jinde: každý nástroj si většinou pamatuje jen to, co se stalo v jeho vlastním okně.
Claude Code neví, co řešil Codex. Codex neví, co už si odnesl Hermes. A když se mezi nimi přepíná celý den, člověk pořád dokola vysvětluje stejné věci: jaký je projekt, jaký styl práce chci, co je rozdělané, co se nesmí rozbít a jak se má výsledek ověřit.
Tohle mě štvalo. Tak jsem postavil vrstvu, která funguje jako společná paměť pro moje AI agenty.
Co jsem chtěl vyřešit
Nešlo mi o další poznámkovou aplikaci. Chtěl jsem paměť, kterou agenti opravdu používají při práci.
Když jeden nástroj zjistí, že projekt používá konkrétní workflow, druhý by to neměl znovu objevovat. Když Hermes ví, že preferuju stručné reporty a žádné markdown tabulky v Discordu, nemá smysl, aby to Codex ignoroval. Když se někde řeší dlouhodobý projekt, paměť má držet kontext napříč dny, ne jen napříč jednou konverzací.
Cíl byl jednoduchý:
- jedna paměť pro více agentů,
- oddělené kontexty podle projektů a použití,
- žádné míchání zákaznických dat,
- rychlé vyhledání relevantních faktů,
- možnost vidět, co systém vlastně ví.
Sdílená paměť místo izolovaných chatů
Základní princip je jednoduchý: agenti nepíší jen odpovědi, ale průběžně vytvářejí použitelný kontext.
Claude Code může narazit na pravidlo v repozitáři. Codex může dokončit technický refactor. Hermes může v Discordu zachytit preference nebo provozní poznámku. Všechno se ukládá do jedné paměťové vrstvy, kde se z toho stávají malé, vyhledatelné fakty.
Při další práci se nečte celá historie. To by bylo pomalé a špinavé. Místo toho se pro aktuální úkol vytáhnou jen relevantní vzpomínky: projektové konvence, preference, poslední známý stav, důležité zákazy, ověřovací postupy.
Výsledek je rozdíl mezi agentem, který začíná každý den od nuly, a agentem, který si pamatuje, jak se u mě pracuje.
Stack pod kapotou
Veřejně řečeno: běží tam vlastní memory služba postavená kolem Mem0, Python API a vektorového vyhledávání. Nad tím je tenká integrační vrstva, kterou používají agenti a dashboard.
Prakticky to znamená:
AI nástroje → Claude Code, Codex, Hermes
API vrstva → Python / FastAPI
Paměť → Mem0
Vyhledávání → vektorová databáze
Historie → relační úložiště + audit změn
UI → dashboard pro přehled paměti, kategorií a aktivityDůležité není, že tam existuje databáze. Důležité je, že paměť má strukturu. Nejsou to náhodné poznámky nalepené do promptu.
Paměti jsou rozdělené podle kategorií a použití. Něco patří k vývojovým projektům, něco k preferencím, něco k provozu, něco ke konkrétním zákaznickým kanálům. Díky tomu se dá udržet pořádek a hlavně izolace: co patří jednomu projektu nebo zákaznickému toku, neleze jinam.
Proč je izolace důležitá
Sdílená paměť zní nebezpečně, pokud se udělá špatně. A právem.
Nechci, aby si agent při práci na jednom projektu vytáhl poznámku z jiného klientského kontextu. Nechci, aby zákaznická komunikace sloužila jako obecná paměť pro vývoj. A nechci, aby se interní provozní detaily míchaly do veřejných textů.
Proto je paměť rozdělená podle domén. Vývojové preference jsou jinde než zákaznické poznámky. Projektový stav je jiný typ informace než osobní styl komunikace. Agent dostane jen to, co má pro daný úkol dávat smysl.
Tohle je podle mě rozdíl mezi „AI si něco pamatuje“ a použitelnou pamětí pro produkční práci.
Dashboard jako mapa mozku
Screenshot nahoře je vizualizace paměťové vrstvy. Ne proto, že by bylo nutné dívat se na hezký graf pokaždé, když agent pracuje. Ale protože u systému, který si něco pamatuje, je důležité vidět, co se děje uvnitř.
Mapa ukazuje uzly, kategorie, agenty, aktivitu a vztahy mezi vzpomínkami. Člověk rychle pozná, která oblast je nejživější, co se často používá a kde se tvoří clustery. Je to trochu jako observability pro kontext.
Bez toho je paměť černá skříňka. S tímhle jde ladit.
Co se změnilo v praxi
Největší rozdíl není technický, ale pracovní.
Když teď přepnu mezi nástroji, nemusím všechno vysvětlovat znovu. Agent ví, jaké mám preference, jaké projekty běží, jaký styl výstupů chci a jaká pravidla se mají respektovat. Ne dokonale — pořád je potřeba kontrola — ale dost na to, aby práce nezačínala pořád od nuly.
Typické příklady:
- Codex řeší kód a respektuje projektové konvence.
- Claude Code může navázat na stejný kontext bez ručního briefingu.
- Hermes v Discordu ví, jak má psát reporty a co nemá míchat dohromady.
- Dlouhodobé projekty si drží stav napříč dny.
Tohle je přesně ten typ infrastruktury, který na první pohled nevypadá jako feature. Ale jakmile ho jednou máte, nechcete se vrátit zpátky.
Malý krok k osobnímu operačnímu systému
Beru to jako další část vlastního pracovního OS.
Ne jeden chatbot. Ne jeden editor. Spíš sada agentů, kteří mají společnou paměť, společná pravidla a dokážou navazovat na práci jeden druhého.
AI nástroje bez paměti jsou rychlé, ale zapomnětlivé. AI nástroje se sdílenou pamětí začínají působit jako tým.
A přesně tam to podle mě začíná být zajímavé.