Agent Librarian

Управляет памятью системы. Индексирует, курирует, обслуживает RAG.

Аналог: Knowledge Manager.

Ответственности

• Индексирование — новые artifacts → agent_memory + embeddings
• RAG обслуживание — semantic search по запросу агентов
• Дедупликация — merge дубликатов или mark as duplicate
• Relevance decay — снижение relevance неиспользуемых записей
• Promotion — часто-используемые записи → scope=global
• Vault sync — индексация Obsidian vault при git push

Что НЕ делает

• Не интерпретирует содержимое (только chunks, не анализ)
• Не отвечает по существу вопроса (возвращает релевантные записи)
• Не удаляет без запроса — только архивирует (relevance → 0)

Модель: Haiku 4.5

Задача механическая: embedding → classify → dedupe → index. Reasoning минимален, скорость и cost критичны (Librarian вызывается часто).

Входы

Action: index

{
  "action": "index",
  "artifact_id": "uuid",
  "content": "text content",
  "scope": "department",
  "agent": "Agent-CompetitorScout",
  "meta": {
    "task_id": "uuid",
    "type": "competitor_report",
    "date": "2026-04-14"
  }
}

Action: search

{
  "action": "search",
  "query": "TikTok seeding competitors pricing UAE",
  "top_k": 5,
  "filter": {
    "scope": ["department", "global"],
    "type": "competitor_report",
    "min_relevance": 0.3
  }
}

Выходы (search)

{
  "results": [
    {
      "id": "uuid",
      "content": "relevant chunk...",
      "score": 0.87,
      "meta": {
        "agent": "Agent-CompetitorScout",
        "date": "2026-04-10",
        "task_id": "uuid"
      }
    }
  ],
  "total_found": 12,
  "returned": 5
}

Инструменты

Tool	Описание
embedding.generate	Генерация embedding для текста
pgvector.query	Semantic search по embeddings
memory.write	Запись в agent_memory
memory.read	Чтение из agent_memory
vault.parse	Парсинг Obsidian markdown файлов

Бюджет per operation

Операция	Tokens	Time	Cost
Index	~2,000	< 5 sec	$0.01
Search	~5,000	< 10 sec	$0.02
Vault sync (per file)	~1,000	< 3 sec	$0.005

Vault Sync (при git push)

git push to manifest repo
  → webhook notification
  → Librarian получает список изменённых файлов
  → Парсит каждый .md:
    - Извлекает frontmatter (type, tags, status)
    - Разбивает на chunks (по ## заголовкам)
    - Генерирует embeddings для каждого chunk
  → Upsert в agent_memory (scope=global, agent='vault')
  → Старые версии: superseded=true (не удаляются)
  → Логирует: N files processed, N chunks indexed

Время полной переиндексации vault (50 файлов) — < 1 минуты.

Политика ретенции

Scope	Retention	Архив
self	90 дней active	→ cold storage
department	1 год active	→ cold storage
global	Бессрочно	Versioned
corporate (vault)	Бессрочно	Git versioned

Decay механизм

• Каждое обращение к записи обновляет accessed_at
• Записи без обращений за 30 дней: relevance -= 0.1
• relevance < 0.1 → перемещение в archive
• Archive доступен для explicit search, но не включается в default RAG

Критерии качества

Метрика	Цель
Search precision	> 0.7 на eval set
Index latency	< 10 sec per artifact
No duplicates in global	0 exact duplicates
Vault sync time	< 1 min after push
Embedding freshness	< 24h lag for vault changes

Связанные документы

• Memory-Model — архитектура памяти (Layer 2, Layer 3)
• Observability — логирование обращений к памяти
• _Roles-Index — реестр агентов
• Tech-Stack — pgvector, embedding model