अक्सर पूछे जाने वाले प्रश्न

Seizn Memory AI मेमोरी इंफ्रास्ट्रक्चर है जो AI एप्लिकेशन के लिए स्थायी, खोजने योग्य मेमोरी प्रदान करता है। वेक्टर डेटाबेस के विपरीत जो केवल वेक्टर स्टोर/खोजते हैं, Seizn एक पूर्ण उत्पाद परत शामिल करता है: मेमोरी निष्कर्षण, नीति प्रबंधन, कुंजी प्रबंधन, हटाना, ऑडिट लॉग और SDKs। यह AI सत्रों में संदर्भ बनाए रखने और व्यक्तिगत AI अनुभव सक्षम करने की समस्या हल करता है।

वेक्टर डेटाबेस वेक्टर के लिए स्टोरेज/सर्च इंफ्रास्ट्रक्चर हैं। Seizn उसके ऊपर बनी एक पूर्ण मेमोरी प्रणाली है, जो प्रदान करता है: बातचीत से स्वचालित मेमोरी निष्कर्षण, मेमोरी प्रकार वर्गीकरण, नेमस्पेस/स्कोप प्रबंधन, API कुंजी रोटेशन, ऑडिट लॉग, SDKs और शासन सुविधाएं। इसे 'मेमोरी इंफ्रास्ट्रक्चर' बनाम 'सर्च इंफ्रास्ट्रक्चर' के रूप में सोचें।

नहीं। सबसे आम शुरुआती बिंदु है: मेमोरी सहेजें -> खोजें -> प्रॉम्प्ट में डालें। RAG (स्वचालित संदर्भ रचना + प्रतिक्रिया उत्पादन) अगला कदम है। आप सरल शुरू कर सकते हैं और जरूरत पड़ने पर जटिलता जोड़ सकते हैं।

1) उपयोगकर्ता प्राथमिकताएं सहेजने के लिए POST /api/memories। 2) खोजने के लिए GET /api/memories। 3) अपने LLM प्रॉम्प्ट में परिणाम डालें। 4) फिर, स्वचालित निष्कर्षण के लिए /api/extract और मेमोरी-संवर्धित प्रतिक्रियाओं के लिए /api/query जोड़ें।

ऐसी जानकारी सहेजें जो बातचीत में वैध रहती है: प्राथमिकताएं (स्वर, भाषा, प्रारूप), तथ्य (नौकरी, उपकरण, प्रोजेक्ट संरचना), निर्देश ("हमेशा तालिकाओं में सारांशित करें"), संबंध ("ऐलिस टीम लीड है")। अस्थायी या सत्र-विशिष्ट डेटा से बचें जब तक कि आप सत्र स्कोप का उपयोग नहीं कर रहे।

कभी न सहेजें: पासवर्ड, API कुंजियां, टोकन, सत्र कुकीज़ (क्रेडेंशियल्स), SSN, पासपोर्ट नंबर, बैंक खाते (PII), क्रेडिट कार्ड जानकारी (भुगतान डेटा)। अस्थायी डेटा के लिए, जरूरत पड़ने पर TTL के साथ सत्र स्कोप का उपयोग करें।

नेमस्पेस प्रोजेक्ट/टेनेंट/एनवायरनमेंट द्वारा मेमोरी को अलग करता है। इसके बिना, डेटा मिश्रित हो जाता है, खोज गुणवत्ता गिरती है और हटाना/निर्यात कठिन हो जाता है। सुझाव: 'org:acme/app:chat/env:prod' या 'project:myapp/env:staging'। प्रोडक्शन में कभी भी केवल 'default' का उपयोग न करें।

user: उपयोगकर्ता के लिए विश्व स्तर पर लागू प्राथमिकताएं। session: लक्ष्य या संदर्भ केवल इस बातचीत के लिए वैध। agent: मल्टी-एजेंट सिस्टम में एक एजेंट के लिए विशिष्ट नियम। सही स्कोप का उपयोग प्रॉम्प्ट लंबाई कम करता है और प्रतिक्रिया स्थिरता में सुधार करता है।

memory_type मेमोरी को वर्गीकृत करता है: fact (अपरिवर्तनीय जानकारी), preference (उपयोगकर्ता पसंद), instruction (पालन करने के नियम), relationship (व्यक्ति/संगठन कनेक्शन), experience (पिछली घटनाएं)। यह फ़िल्टर करने, हटाने और नीति लागू करने के लिए सबसे शक्तिशाली अक्ष है।

limit: पुनर्प्राप्त करने के लिए उम्मीदवार मेमोरी की संख्या (बहुत कम = प्रासंगिक चूक, बहुत अधिक = शोर संदर्भ)। threshold: 0-1 समानता थ्रेशोल्ड (अधिक = सख्त)। limit=10, threshold=0.7 से शुरू करें। यदि मेमोरी चूक रहे हैं, threshold को 0.6 पर कम करें और limit को 20 तक बढ़ाएं। यदि अप्रासंगिक परिणाम मिल रहे हैं, threshold को 0.75-0.8 तक बढ़ाएं।

आमतौर पर इनमें से एक: 1) नेमस्पेस मिश्रित, 2) बहुत अधिक मेमोरी सहेजी गई (शोर), 3) threshold बहुत कम, 4) सामग्री बहुत अमूर्त ('सब कुछ पसंद है' बनाम विशिष्ट तथ्य)। समाधान: नेमस्पेस अलग करें, सामग्री विशिष्ट बनाएं, threshold बढ़ाएं।

महत्व स्कोर जोड़ें और केवल महत्वपूर्ण मेमोरी रखें। पुरानी मेमोरी को स्वचालित रूप से समाप्त करने के लिए TTL का उपयोग करें। समान मेमोरी को समय-समय पर सारांश में विलय करें। खोज दायरे को कम करने के लिए नेमस्पेस अलग करें।

अनुशंसित प्रक्रिया: 1) निकाली गई मेमोरी का पूर्वावलोकन करने के लिए auto_store=false के साथ कॉल करें। 2) पुष्टि के लिए उपयोगकर्ता को परिणाम दिखाएं। 3) केवल स्वीकृत मेमोरी सहेजें। 4) जब निष्कर्षण गुणवत्ता सिद्ध हो जाए, स्वचालन के लिए auto_store=true पर स्विच करें।

haiku: तेज़, सस्ता, अधिकांश मामलों के लिए अच्छा। sonnet: अधिक सटीक, महत्वपूर्ण निष्कर्षण के लिए बेहतर (ऑनबोर्डिंग, अनुबंध, नीतियां)। बल्क/प्रारंभिक निष्कर्षण के लिए haiku का उपयोग करें, उच्च-जोखिम स्थितियों के लिए sonnet।

हां, लेकिन अनुशंसित पैटर्न है: नई मेमोरी बनाएं + पुरानी हटाएं/संग्रहीत करें। यह दृष्टिकोण ऑडिट ट्रेल के लिए बेहतर है और प्रतिगमन समस्याओं को रोकता है।

दो दृष्टिकोण: 1) ID द्वारा हटाएं (सटीक), 2) नेमस्पेस द्वारा हटाएं (बल्क क्लीनअप)। एंटरप्राइज़/अनुपालन के लिए, 'पूर्ण हटाना + ऑडिट लॉग' सुनिश्चित करें। अपनी हटाने की नीति स्पष्ट रूप से दस्तावेज़ करें।

आप दर सीमा तक पहुंच गए हैं। समाधान: 1) एक्सपोनेंशियल बैकऑफ लागू करें (1s -> 2s -> 4s)। 2) सर्वर साइड पर अनुरोध कतारबद्ध करें। 3) अनुरोध आवृत्ति कम करें: डुप्लिकेट क्वेरी कैश करें, बैच ऑपरेशन, निष्कर्षण आवृत्ति कम करें।

सबसे बड़े लागत कारक: 1) निष्कर्षण आवृत्ति - कॉल कम करें। 2) खोज दायरा - संकीर्ण करने के लिए नेमस्पेस का उपयोग करें। 3) मॉडल चयन - नियमित के लिए haiku, महत्वपूर्ण के लिए sonnet। 4) कैशिंग - दोहराई जाने वाली क्वेरी कैश करें। 5) जब संभव हो बैच ऑपरेशन।

अनुशंसित नहीं - कुंजी लीक का उच्च जोखिम। अपने सर्वर (Next.js Route Handler, Cloudflare Worker, सर्वरलेस फ़ंक्शन) से Seizn को कॉल करें और ब्राउज़र को अपने सर्वर को कॉल करने दें। कभी भी API कुंजियों को क्लाइंट-साइड कोड में उजागर न करें।

वे चाहेंगे: 1) डेटा दायरा (क्या सहेजा/नहीं सहेजा जाता है), 2) एन्क्रिप्शन (रेस्ट पर: AES-256, ट्रांजिट में: TLS), 3) टेनेंट अलगाव विधि, 4) हटाने/प्रतिधारण नीति, 5) ऑडिट लॉग एक्सेस, 6) कुंजी रोटेशन/समाप्ति नीति। अपने दस्तावेज़ में एक सुरक्षा और शासन पृष्ठ रखें।

Seizn एक Graph-RAG आर्किटेक्चर का उपयोग करता है जो वेक्टर एम्बेडिंग को नॉलेज ग्राफ संबंधों के साथ जोड़ता है। मेमोरी को टाइप्ड एज (relates_to, supports, contradicts, आदि) के साथ नोड्स के रूप में सहेजा जाता है। यह सक्षम करता है: ग्राफ ट्रैवर्सल के माध्यम से संदर्भात्मक रिकॉल, विषय क्लस्टरिंग के लिए स्वचालित कम्युनिटी डिटेक्शन, और वैधता अवधि के साथ टेम्पोरल नॉलेज ट्रैकिंग।

Seizn उपयोग के आधार पर मेमोरी को स्वचालित रूप से टियर में व्यवस्थित करता है: Hot टियर (बार-बार एक्सेस, फास्ट कैश में रखा जाता है), Warm टियर (कभी-कभी एक्सेस, स्टैंडर्ड रिट्रीवल), Cold टियर (शायद ही कभी उपयोग, आर्काइव लेकिन खोजने योग्य)। टियर मैनेजर एक्सेस पैटर्न के आधार पर मेमोरी को स्वचालित रूप से प्रमोट/डिमोट करता है, प्रदर्शन और लागत दोनों को अनुकूलित करता है।

Seizn प्रत्येक मेमोरी के लिए मूल सामग्री और एक कैनोनिकल अंग्रेजी प्रतिनिधित्व दोनों सहेजता है। खोज क्वेरी दोनों एम्बेडिंग के साथ मिलान की जाती हैं, जिससे अंग्रेजी में खोजना और हिंदी मेमोरी खोजना जैसे परिदृश्य संभव होते हैं। हम मल्टीलिंगुअल एम्बेडिंग मॉडल (BGE-M3, LaBSE) का उपयोग करते हैं जो 100+ भाषाओं को उच्च क्रॉस-लिंगुअल संरेखण के साथ सपोर्ट करते हैं।

Seizn मेमोरी निष्कर्षण और खोज के लिए 35+ भाषाओं को सपोर्ट करता है, जिसमें शामिल हैं: अंग्रेजी, चीनी (सरलीकृत/पारंपरिक), हिंदी, स्पेनिश, फ्रेंच, जर्मन, जापानी, कोरियाई, रूसी, यूक्रेनी, अरबी, और सभी प्रमुख भारतीय भाषाएं (तमिल, तेलुगु, बंगाली, आदि)। भाषा 95%+ सटीकता के साथ स्वचालित रूप से पहचानी जाती है।

MCP (Model Context Protocol) Claude Desktop जैसे AI असिस्टेंट को सीधे Seizn मेमोरी एक्सेस करने की अनुमति देता है। हमारा MCP सर्वर इंस्टॉल करें (npx @seizn/mcp-server), इसे अपने Claude Desktop कॉन्फ़िग में जोड़ें, और असिस्टेंट बातचीत के दौरान स्वचालित रूप से मेमोरी सहेज और पुनर्प्राप्त कर सकता है। यह सत्रों में स्थायी व्यक्तिगतकरण सक्षम करता है।

Seizn इन पर बनाया गया है: React Server Components के साथ Next.js 16, Supabase (PostgreSQL + वेक्टर सर्च के लिए pgvector), Voyage AI voyage-3 मॉडल (1024-आयाम एम्बेडिंग), मेमोरी निष्कर्षण और विश्लेषण के लिए Claude। हम सब-100ms वेक्टर सर्च के लिए HNSW इंडेक्स, WebSocket रियलटाइम सब्सक्रिप्शन और कैशिंग के लिए Redis का उपयोग करते हैं।

तीन मुख्य तरीके: 1) REST API - पूर्ण नियंत्रण के लिए सीधे HTTP कॉल, 2) SDKs (TypeScript/Python) - रिट्राई लॉजिक के साथ टाइप-सेफ रैपर, 3) MCP सर्वर - Claude Desktop और अन्य MCP-संगत असिस्टेंट के साथ स्वचालित इंटीग्रेशन। प्रोडक्शन के लिए, हम आपकी API कुंजी की सुरक्षा के लिए सर्वर-साइड कॉल के साथ SDK की सिफारिश करते हैं।

Context API (GET /api/context) एक प्री-फॉर्मेटेड स्ट्रिंग लौटाता है जो आपके LLM प्रॉम्प्ट में सीधे इंजेक्ट करने के लिए तैयार है। यह जोड़ता है: यूजर प्रोफाइल, हाल की मेमोरी, प्रासंगिक तथ्य और ग्राफ संदर्भ। अपने संदर्भ बजट के आधार पर format=brief (~500 टोकन), detailed (~1500 टोकन), या extended (~3000 टोकन) का उपयोग करें।