Talamus

Talamus

Seu agente de codificação esquece por que uma decisão foi tomada assim que a sessão termina.

O Talamus mantém as decisões, evidências e correções que valem a pena lembrar como Markdown comum, e então dá ao Claude Code, Codex, Cursor, Gemini CLI e a qualquer agente MCP uma recordação citada na próxima sessão.

Sem conta hospedada. Sem telemetria. Sem embeddings obrigatórios. A busca simples permanece na sua máquina; ações baseadas em LLM usam apenas o mecanismo que você escolher.

Experimente todo o loop de recuperação local primeiro — sem instalação persistente, conta, LLM ou hook, e sem arquivos gravados fora de ./talamus-demo:

uvx --from talamus talamus demo --root ./talamus-demo
uvx --from talamus talamus search "embedding" --root ./talamus-demo
uvx --from talamus talamus read "Embedding" --root ./talamus-demo

Para uma avaliação técnica, leia a arquitetura e os benchmarks medidos.

O Talamus foi criado e é mantido por Giovanni “Angio” Crapuzzi sob Ampres, um projeto independente de IA e código aberto. O estudo de caso de engenharia documenta a arquitetura, as medições e as compensações por trás do projeto.

Conecte um agente

Arco copiável e colável, com a versão reproduzível em scripts/demo/run_magic.py:

1. Configure o cérebro do projeto. talamus setup inicializa o cérebro, escolhe um mecanismo, instala o MCP para Claude Code, Cursor, Codex, OpenCode e OpenClaw quando detectados, pergunta uma vez antes de instalar o hook de captura de sessão e pode testar o mecanismo com uma única chamada ao vivo minúscula.

   talamus setup
   

2. A sessão do seu agente termina. O hook consentido lê a transcrição e o diff do git, aplica o filtro do que vale a pena lembrar, grava apenas memória útil neste cérebro e audita o evento em .talamus/logs/capture.log.

3. Uma nova sessão pergunta o que aconteceu e obtém uma resposta de notas reais, com fontes.

   talamus recall "why did we choose FTS5?"
   talamus ask "why did we choose FTS5?"
   

4. Reproduza a demonstração roteirizada sem gastar chamadas de LLM, ou execute-a com seu mecanismo real.

   python scripts/demo/run_magic.py --fake
   python scripts/demo/run_magic.py --keep --engine claude-cli
   

O que é diferente

TEMPO: as notas têm histórico de versões, os fatos têm janelas de tempo válidas e talamus ask --as-of 2026-01 responde a partir do cérebro como ele era.

SIGNIFICADO: a ontologia é induzida a partir de evidências, versionada, promovida por regras medidas e usada para agrupar e rotear o cérebro.

VERIFICABILIDADE: cada nota carrega proveniência; talamus verify propõe correções para revisão, e as respostas citam as notas que usaram.

Comparação medida

O benchmark de uma tela é renderizado no guia de benchmarks e commitado como one-screen.md. Cada número abaixo rastreia até um artefato de resultado commitado.

corpus	métrica	Talamus	BM25	MiniLM vector DB
SciFact, território só em inglês	recall@10	0.797	0.776	0.783
SciFact, território só em inglês	nDCG	0.664	0.652	0.645
Book, multilíngue + vago	hit@10	0.971	0.829	0.743
Book, multilíngue + vago	recall@10	0.929	0.771	0.700

Também medido em artefatos commitados: −97,7% de tokens por resposta versus carregar o cérebro no contexto, recusa 1.000 em perguntas fora do escopo e latência de busca p95 72,6 ms em 10 mil notas / p50 624 ms em 100 mil.

A parte honesta: a qualidade da recuperação acompanha o LLM que você traz. Com um mecanismo de expansão forte, talamus-smart lidera um modelo denso multilíngue forte (multilingual-e5) em todas as métricas, incluindo ranking (nDCG 0.847 vs 0.837); com um fraco ou gratuito, o e5 lidera o ranking enquanto o Talamus mantém o melhor hit/recall — e em um mecanismo local lento, o search simples supera o --smart completamente. Cada número rastreia até um artefato commitado; as perdas ficam na mesa.

Mecanismos

Traga o LLM que você já tem: claude-cli, codex-cli, antigravity-cli (agy), opencode, ollama ou anthropic-api.

Início rápido

pipx install "talamus[mcp]"
talamus setup
talamus ingest ./notes && talamus ask "what should I remember?"

Execute talamus para o painel de status, talamus quickstart para comandos essenciais ou talamus ui para o workbench local em React.

As conexões MCP do agente são somente leitura por padrão. Para permitir que um agente atualize deliberadamente este cérebro do projeto, regenere sua configuração com talamus mcp install --enable-writes; gravações no cérebro central exigem o sinalizador adicional --enable-central-writes.

Instale a skill de agente Talamus com consentimento de skills.sh:

npx skills add ampres-ai/talamus --skill talamus-memory

O OpenClaw pode instalar a mesma skill independente diretamente do ClawHub:

openclaw skills install @ampres-ai/talamus-memory

Instalar a skill independente não instala o Talamus automaticamente. Se o CLI estiver ausente, a skill explica as opções de instalação isoladas e pergunta antes de executar uma.

O Gemini CLI pode instalar o Talamus diretamente de sua galeria de extensões ou deste repositório. A extensão inicia o release PyPI fixado por meio de uvx, então não modifica a árvore de código-fonte clonada:

gemini extensions install https://github.com/ampres-ai/talamus --auto-update

O goose pode instalar o repositório como um Open Plugin. Isso adiciona a skill de memória com consentimento e inicia o servidor MCP local fixado para cada nova sessão de CLI:

goose plugin install https://github.com/ampres-ai/talamus.git

O plugin requer uv em PATH; uvx baixa o Talamus e suas dependências MCP em um cache isolado no primeiro uso.

MCP containerizado (o cérebro permanece na pasta local montada):

docker run --rm -i -v "$PWD:/data" ghcr.io/ampres-ai/talamus:1.1.3

Links

Documentação: início rápido, memória de agente local-first, guia de instalação do agente, comandos, chamada de ferramentas do agente, configuração, benchmarks, arquitetura, princípios de design, avaliação, multi-cérebro, ontologia.

Projeto: segurança, contribuindo, roadmap, changelog.

Código-fonte, rastreamento de issues e histórico de releases vivem em ampres-ai/talamus.

Desenvolvimento

pip install -e ".[dev,mcp]"
python dev.py

python dev.py executa ruff, verificação de formato, mypy e unittest. Mudanças de comportamento do produto devem atualizar a documentação do usuário na mesma alteração.

Licença

Apache-2.0.