Forget

Die Beschreibung besagt, dass Forget eine lokal zentrierte, überprüfbare Memory-Ebene für Coding-Agenten ist. Es unterstützt die Integration mit Tools wie Codex, Claude Code, Cursor und anderen über MCP (Model Control Protocol). Die wichtigsten Funktionen umfassen:

• Gemeinsamer Speicher über mehrere Clients hinweg.
• Ein Beobachtungstor zur Filterung von Inhalten mit geringem Wert.
• Umfassender Abruf nach Benutzer und Projekt, mit zeitlicher Neupriorisierung.
• Nicht destruktive Aktualisierungen, die alte Entscheidungen ersetzen, ohne die Historie zu löschen.
• Git-Entscheidungsmining mit Belegen, die Commit, Autor und Datum anzeigen.
• Eine Standard-Laufzeitumgebung, die eine lokale SQLite-Datei und deterministische Embeddings verwendet.

Das Produkt wird als nicht von einem API-Schlüssel für die Richter-Demo abhängig beschrieben und verwendet Python 3.11, FastAPI, SQLite und streambares HTTP MCP. Es enthält eine Node.js-CLI (forget-connect), um unterstützte Clients sicher zu verbinden, ohne bestehende Konfigurationen zu überschreiben.

Schlussfolgerung Das System scheint ein lokales Speicherverwaltungstool zu sein, keine cloudbasierte oder zentrale Lösung. Es ist für Entwickler konzipiert, die in KI-gestützten Coding-Umgebungen arbeiten.

Die Beschreibung besagt, dass Forget von der Überzeugung ausging:

„Das Modell kann sich ändern, aber der Entwickler sollte den Speicher besitzen.“

Es positioniert sich als Alternative zur Transkriptarchivierung, die es argumentiert, keine Lösung darzustellen, aufgrund von Rauschen und veraltetem Kontext. Stattdessen fördert es gutes Vergessen – d. h., nur das Wesentliche beizubehalten und irrelevante oder schädliche Informationen zu verwerfen.

Wichtige Behauptungen:

• Forget ist kein weiteres Transkriptarchiv.
• Es ermöglicht frischen Agenten, Fragen wie „Warum haben wir den Zahlungsanbieter gewechselt?“ mit der aktuellen Entscheidung, dem Grund und dem Quell-Commit zu beantworten.
• Es bewahrt frühere Entscheidungen für die Prüfung auf.
• Es verwendet deterministische lokale Embeddings und benötigt für die Kernfunktionalität keine API-Schlüssel.

Schlussfolgerung Die Positionierung hat sich von einer konzeptionellen Speicherarchitektur zu einem praktischen Tool entwickelt, mit Schwerpunkt auf Bereichsisolierung, Herkunft und Überprüfbarkeit. Die Entwicklung des Projekts während der Build Week deutet auf einen Wandel hin, das Produkt robuster und testbarer zu machen.

Die Beschreibung benennt keine Zielkunden oder Personas ausdrücklich. Es wird jedoch impliziert, dass Forget an Entwickler, die KI-Coding-Agenten wie Codex, Claude Code, Cursor und andere verwenden, gerichtet ist.

Es wird auch nahegelegt, dass Nutzer Wert legen auf:

• Prüfbarkeit von Entscheidungen.
• Kontextisolierung über Projekte und Nutzer hinweg.
• Nicht-destruktive Speicheraktualisierungen.
• Herkunftsnachverfolgung (z. B. Git-Commits).

Schlussfolgerung Die ICP umfasst wahrscheinlich technische Teams oder Einzelentwickler, die sich auf KI-gestützte Coding-Tools verlassen und sich darum sorgen, saubere, nachverfolgbare und abgegrenzte Entscheidungsfindung in ihren Workflows aufrechtzuerhalten.

Die Beschreibung erwähnt kein Preismodell, keine Einnahmequellen oder keine Monetarisierungsstrategie. Es wird angegeben, dass das Projekt Open Source unter Apache-2.0 ist und dass verschlüsselte Synchronisation noch im Entwurfsstadium ist und nicht veröffentlicht wurde.

Schlussfolgerung Es werden keine Belege für ein Geschäftsmodell oder Preise vorgelegt. Das Produkt scheint kostenlos und Open Source zu sein, mit optionalen kostenpflichtigen Funktionen (z. B. verschlüsselte Synchronisation), die noch in Entwicklung sind.

Das Projekt wird mit folgenden Technologien erstellt:

• Python 3.11
• FastAPI
• SQLite
• Streamable HTTP MCP
• Node.js CLI (forget-connect)

Es umfasst:

• Abgegrenzte Speicherung und Abruf.
• Zeitliche Neupriorisierung.
• Supersession-Logik (neue Entscheidungen ersetzen alte, ohne den Verlauf zu löschen).
• Git-Entscheidungsanalyse mit Belegen.
• Deterministische lokale Embeddings.
• Evaluation-Harnesses wie LongMemEval und DirtyStores.

Die Autoren behaupten, GPT-5.6 für die finale Integration, Überprüfung und Dokumentation verwendet zu haben, betonen jedoch, dass es den Kernmotor oder frühere Benchmark-Ergebnisse nicht erstellt hat.

Schlussfolgerung Der technische Stack ist Python-basiert, mit einem Fokus auf local-first-Ausführung und Entwickler-Tooling. Er zeigt Belege für ingenieurstechnische Sorgfalt in der Bewertung und Testung, einschließlich der Quersystemvalidierung und Kontaminationsexperimenten.

Die Beschreibung gibt an, dass:

• Das Projekt vor Build Week existierte.
• Die Entwicklung 51 datierte Commits vom 13. bis 20. Juli KST umfasste.
• Ein öffentliches Repository als zusammengefasste, bereinigte Momentaufnahme eingereicht wurde.
• Validierungsergebnis: 78 Tests bestanden, 1 übersprungen, zusätzlich bestand der Judge-Demo in beiden Modi, menschenlesbar und JSON.

Es gibt jedoch keine Belege für Kunden, Einnahmen, Nutzungsdaten oder Adoption über die eigenen Tests und die Entwicklung des Autors hinaus.

Schlussfolgerung Das Projekt zeigt frühreife Reife, mit einem funktionsfähigen Prototyp und einem Evaluationsrahmen. Es mangelt an realer Marktdurchdringung oder Nutzerdaten.

Die Beschreibung erwähnt keine spezifischen Wettbewerber. Es positioniert sich jedoch als Alternative zu:

• Transkriptarchivierung.
• Generischen Speichersystemen, die keine Bereichsisolierung oder Herkunftsnachverfolgung unterstützen.

Es wird impliziert, dass es im Bereich der Entwickler-Tools liegt und möglicherweise mit Tools konkurriert, die Kontext oder Speicher für KI-Agenten verwalten, obwohl keine direkten Wettbewerber genannt werden.

Schlussfolgerung Die Wettbewerbslandschaft umfasst Tools, die sich auf Speicherverwaltung für KI-Agenten konzentrieren, aber es werden keine spezifischen Namen oder Marktpositionierungen angegeben. Das Projekt scheint frühreif und am Markt unerprobt zu sein.

• Keine Belege für den Einsatz in der Praxis oder für eine Verbreitung: Das Produkt wird ausschließlich als Prototyp beschrieben, es liegen keine Daten zu Kunden oder Umsatz vor.
• Ungeprüfte Aussagen: Alle Angaben werden selbst gemeldet; es gibt keine Validierung durch Dritte oder Benchmarking-Daten über interne Tests hinaus.
• Open-Source und nicht kommerziell: Es ist keine Monetarisierungsstrategie oder Geschäftsmodell erkennbar.
• Verschlüsselte Synchronisierung nicht verfügbar: Das Team gibt an, dass die verschlüsselte Mehrgeräte-Synchronisierung sich noch im Entwurfsstadium befindet und nicht produktionsreif ist.
• Begrenzter Umfang der Tests: Die Benchmarks beschränken sich auf interne Evaluationsumgebungen, es gibt keine externe Validierung.

Schlussfolgerung Das Projekt ist hochspekulativ, ohne kommerzielle Traktion oder bewiesene Produkt-Markt-Fitness. Es handelt sich möglicherweise um einen Forschungsprototyp oder eine Proof-of-Concept, nicht um ein tragfähiges Produkt.

1. Welche konkreten Anwendungsfälle haben Sie für Forget in realen Entwicklungsworkflows identifiziert?
2. Wie planen Sie, die Wirksamkeit der Scope-Isolation und der Provenance-Tracking in der Praxis zu validieren?
3. Gibt es Early Adopters oder Pilotnutzer, die das Produkt testen?
4. Wie lautet Ihre Roadmap für die Monetarisierung, falls vorhanden?
5. Wie beabsichtigen Sie, über den Anwendungsfall eines einzelnen Entwicklers hinauszuscalen?
6. Welche Einschränkungen haben die aktuellen Evaluationsumgebungen (z. B. LongMemEval, DirtyStores)?
7. Können Sie weitere Details dazu liefern, wie das Observation Gate Inhalte mit geringem Wert filtert?