Engineering

Septem: Memori Terpadu untuk AI Agent yang Belajar

18 Juli 2026 13 min read#septem#unified-memory#ai-agent#redis

Bayangkan 16 AI agent bekerja secara bersamaan — menulis artikel, mengerjakan riset, mengelola proyek, dan berkoordinasi satu sama lain. Setiap agent punya tugas masing-masing, tapi mereka semua punya satu kesamaan: memori yang terhubung. Itulah Septem — codename untuk sistem memori terpadu versi 5.0 yang menjadikan AI agent tidak sekadar tools, tapi rekan kerja yang terus belajar dari setiap interaksi.

Sistem ini pakai fondasi yang sederhana tapi powerful: Redis untuk kecepatan, Obsidian untuk pengetahuan permanen, dan SQLite untuk sejarah percakapan. Hasilnya adalah sistem yang mampu mengingat konteks dari sesi sebelumnya, berbagi pengetahuan antar agent, dan terus bertumbuh dari setiap interaksi yang terjadi dalam ekosistem Hermes.

Arsitektur sistem memori terpadu yang menghubungkan banyak server dan database

Apa Itu Septem?

Septem adalah sistem memori terpadu (unified memory system) versi 5.0 yang menjadi otak bagi seluruh AI agent dalam ekosistem Hermes. Nama Septem dipilih karena sistem ini terdiri dari 7 bagian inti yang bekerja secara harmonis untuk menciptakan pengalaman memori yang mulus bagi setiap agent yang pakainya.

Dalam bahasa Latin, Septem berarti tujuh. Pemilihan nama ini bukan kebetulan — ada tujuh pilar yang menjadikan sistem ini unik di antara solusi memori AI lainnya. Komponen-bagian tersebut tidak berdiri sendiri, tapi saling terhubung dalam arsitektur hybrid yang elegan dan sudah terbukti di lingkungan produksi.

7 Komponen Inti yang Membentuk Septem

1. memory-manager.py: Router Utama

Script berukuran 893 baris ini adalah pintu masuk utama untuk semua operasi memori. Dengan 16 commands yang tersedia, router ini menangani routing data ke penyimpanan paling efisien berdasarkan jenis operasi yang diminta oleh agent.

Kategori	Commands	Fungsi
Session Context	hset, hget, hgetall	Simpan dan ambil konteks sesi dalam Hash
Ranking	rank, top-ranked	Skor dan ranking performa agent
Shared Context	shared-context, get-shared	Berbagi konteks antar agent
Legacy	set, get, search	Backward-compatible dengan sistem lama
Management	stats, migrate, upgrade-to-hashes	Monitoring dan migrasi data

Keunggulan utama router ini adalah kemampuannya menangani format baru (Hash) dan lama (String) secara bersamaan. Ketika agent lama mengirim data dalam format String, router langsung menerimanya. Ketika agent baru pakai Hash, data tersimpan dengan struktur yang lebih kaya dan efisien.

2. unified-memory.py: Query Layer Paralel

Layer berukuran 558 baris ini mengerjakan pencarian paralel ke multiple backend secara bersamaan. Ketika agent mencari informasi, script ini mengirim query ke tiga backend sekaligus — tanpa perlu menunggu satu per satu selesai.

Yang membuat layer ini istimewa adalah smart routing — sistem langsung memilih backend mana yang paling cocok berdasarkan jenis query yang diterima:

Jenis Query	Keywords	Backend
Session	tadi, terakhir, sebelumnya	Redis, Obsidian, SQLite
Semantic	tahu, ingat, tentang, apa itu	Obsidian, Redis, SQLite
Knowledge	regulasi, laporan, vault	Obsidian, Redis
History	cari, pernah, kapan	SQLite, Obsidian
Performance	leaderboard, rank, score	Redis Sorted Set

Scoring weight yang digunakan adalah freshness 40%, relevance 40%, dan source 20%. Kombinasi ini memastikan hasil yang paling relevan dan terkini muncul di posisi teratas.

3. Redis Hash: Data Terstruktur

Sistem ini pakai Redis Hash untuk menyimpan data terstruktur seperti konteks sesi. Berbeda dengan Redis String biasa, Hash bisa penyimpanan multiple fields dalam satu key — mirip dengan database document yang bisa diakses field per field tanpa memuat seluruh document.

Contoh session context yang tersimpan dalam Hash:

{
  "topic": "SEO Integration into Article Pipeline",
  "status": "completed",
  "decisions": [
    "Created keyword-research.py script",
    "Added SEO Phase before Scout in pipeline",
    "Updated QA checklist from 13 to 18 items"
  ],
  "next_steps": [
    "Monitor pipeline performance",
    "Debug fetch-images.py exit -1"
  ],
  "files_changed": ["keyword-research.py", "kanban-pipeline.py"]
}

Saat ini ada 11 Hash keys aktif yang menyimpan data session context, knowledge, dan decision dari berbagai agent. Total ukuran memori yang digunakan hanya 1.53 MB — sangat efisien untuk sistem seproduktif ini.

4. Redis Sorted Set: Sistem Ranking

Sistem ranking built-in melacak performa setiap agent secara real-time. Data disimpan dalam Sorted Set, bisa query cepat untuk mengetahui agent dengan performa terbaik dalam kategori tertentu. Ada 6 rank keys aktif yang mencatat berbagai metrik performa.

# Update skor agent
python3 memory-manager.py rank "scout" 8.5 --category "research"

# Lihat top 5 researcher
python3 memory-manager.py top-ranked --category "research" --limit 5

5. Redis Shared Context: Komunikasi Antar Agent

Empat shared context keys aktif bisa informasi mengalir bebas antar agent tanpa perlu konfigurasi khusus. Ketika satu agent menemukan informasi penting, ia bisa membagikannya ke agent lain secara real-time.

Shared context keys yang aktif saat ini meliputi status sistem memori, indeks untuk pencarian cepat, status untuk perangkat eksternal, dan daftar commands yang tersedia. Semua agent yang terkonfigurasi bisa pakai data ini kapan saja.

6. Obsidian: Pengetahuan Permanen

144 file memori tersimpan di vault, dengan distribusi importance yang terorganisir dalam empat kategori. File dengan importance permanent berjumlah 29 — ini adalah keputusan arsitektur dan konfigurasi kritis yang tidak boleh hilang. Sisanya terdistribusi antara medium (100 file), long (12 file), dan short (3 file).

Vault ini berfungsi sebagai long-term memory — tempat penyimpanan pengetahuan permanen yang diakses semua semua agent kapan saja. Setiap file memiliki metadata yang mencakup tags, importance level, dan timestamp pembuatan.

7. SQLite: Sejarah Percakapan

SQLite menyimpan sejarah percakapan dan audit trail untuk semua operasi memori. Dengan 4 baris data aktif, bagian ini berfungsi sebagai journal yang mencatat setiap operasi yang terjadi dalam sistem. Data ini berguna untuk debugging dan audit compliance.

Dashboard monitoring yang menampilkan statistik sistem memori dan performa agent

Arsitektur Hybrid: Mengapa Pola Ini Berhasil

Sistem ini pakai pola Hybrid Option C — query via router, write langsung. Pencarian data melewati layer optimasi, tapi penulisan langsung ke backend untuk kecepatan maksimal. Pola ini terbukti memberikan performa optimal dalam skala produksi.

Keunggulan pola hybrid ini meliputi query optimal dengan pencarian paralel, write cepat tanpa overhead routing, fallback langsung ketika backend utama tidak tersedia, dan backward compatibility dengan format data lama. Semua bagian dirancang untuk saling melengkapi, bukan saling bergantung.

Grafik performa sistem yang menunjukkan peningkatan efisiensi setelah penerapan memori terpadu

Statistik Produksi Aktual

Berikut data aktual dari sistem yang aktif di lingkungan produksi dengan 16 agent aktif:

Metric	Nilai	Keterangan
Total Redis Keys	328	Semua backend data
Penggunaan Memori	1.53 MB	Sangat efisien untuk 16 agent
Latency Rata-rata	753ms	Response time untuk query paralel
File Pengetahuan	144	Tersimpan di vault permanen
Agent Aktif	16	Semua terkonfigurasi dan berjalan
Total Commands	22	Dari kedua script utama
Total Kode Sumber	3.005 baris	Lima script inti sistem
Knowledge Permanen	29 file	Keputusan arsitektur kritis

Fitur yang Membuat Septem Berbeda

Automatic Session Context

Ketika agent memulai sesi baru, ia langsung mengambil konteks dari sesi sebelumnya. Agent tidak perlu dimulai dari nol — ia langsung tahu apa yang sedang dikerjakan, keputusan apa yang telah dibuat, dan langkah selanjutnya apa yang harus diambil.

Cross-Agent Knowledge Sharing

Informasi mengalir bebas antar agent melalui shared context. Ketika satu agent menemukan keputusan arsitektur penting, ia bisa membagikannya ke semua agent lain secara real-time tanpa perlu menunggu atau mengerjakan polling.

Performance Ranking Real-Time

Sistem melacak performa setiap agent dan memperbarui skor berdasarkan hasil kerja. Agent dengan skor tertinggi mendapat prioritas untuk tugas-tugas kritis, memastikan kualitas output yang konsisten di seluruh ekosistem.

// Advertisement

TTL Otomatis Berdasarkan Jenis Data

Sistem secara langsung memilih waktu hidup data berdasarkan jenisnya. Recent context bertahan 24 jam, session state 1 jam, task state 1 jam, dan data temporary 30 menit. Pengaturan ini mencegah akumulasi data yang sudah tidak relevan.

Cara Menggunakan Septem

Session Start

# Load konteks dari sesi sebelumnya
python3 memory-manager.py hgetall "recent_context" --agent "nama-agent"

# Output: topic, status, decisions, next_steps, files_changed

Session End (Save Checkpoint)

# Simpan konteks sesi ke Hash
python3 memory-manager.py hset "recent_context" "topic" "Topik Diskusi" --agent "nama-agent" --ttl 86400
python3 memory-manager.py hset "recent_context" "status" "completed" --agent "nama-agent"

# Simpan ke pengetahuan permanen
python3 obsidian-memory.py save "Ringkasan sesi" --importance permanent --agent nama-agent

Query Pengetahuan

# Query paralel ke semua backend
python3 unified-memory.py query "apa status proyek X?" --limit 5

# Cek kesehatan sistem
python3 unified-memory.py health

Dampak terhadap Produktivitas

Sejak penerapan, perubahan signifikan terjadi dalam cara agent bekerja. Koordinasi antar agent meningkat drastis — tidak ada lagi pekerjaan berulang karena semua informasi terhubung. Konteks terjaga dengan baik sehingga agent bisa melanjutkan pekerjaan dari sesi sebelumnya tanpa kehilangan arah. Error recovery juga membaik — ketika agent mengalami gangguan, konteks yang tersimpan bisa dilanjutkan oleh agent lain.

Pembelajaran berkelanjutan menjadi kunci keberhasilan. Setiap interaksi memberikan pengetahuan baru yang disimpan ke vault permanen. Dari waktu ke waktu, sistem menjadi semakin pintar karena akumulasi pengalaman dari semua agent yang berkontribusi.

Masa Depan Septem

Beberapa improvement sedang dalam tahap perencanaan untuk memperkuat sistem ini. Ekspansi ke domain PNS dan layanan publik sedang dipersiapkan. Dashboard analytics untuk visualisasi pertumbuhan memori dan performa agent juga sedang dikembangkan. Auto-cleanup berdasarkan skor freshness akan memastikan hanya data relevan yang tetap tersimpan.

FAQ

Apakah Septem hanya untuk ekosistem Hermes?

Pada penerapan saat ini, Septem memang dirancang khusus untuk ekosistem Hermes dengan 16 agent aktif. Namun, arsitektur hybrid yang digunakan bersifat umum dan bisa diadaptasi untuk sistem multi-agent lainnya dengan modifikasi yang tidak terlalu rumit.

Bagaimana sistem ini menangani agent yang crash?

Ketika agent mengalami gangguan, konteks sesi terakhir tetap tersimpan di Redis. Agent lain bisa mengambil alih pekerjaan dengan membaca konteks yang tersimpan, termasuk keputusan yang telah dibuat dan langkah selanjutnya yang harus diambil.

Berapa biaya operasional sistem ini?

Sistem ini berjalan di Redis lokal dengan penggunaan memori hanya 1.53 MB. Tidak ada biaya API eksternal yang dibutuhkan. Obsidian vault juga berjalan lokal, sehingga total biaya operasional mendekati nol untuk infrastruktur memori.

Bagaimana cara menambah agent baru ke sistem ini?

Cukup tambahkan configuration Session Start dan Session End di AGENTS.md agent baru. Konfigurasi ini berisi perintah untuk mengambil dan menyimpan konteks pakai memory-manager.py. Proses setup hanya membutuhkan beberapa menit.

Apakah data di sistem ini aman dari kehilangan?

Redis pakai AOF persistence untuk data safety. Obsidian vault tersimpan sebagai file markdown yang bisa di-backup. SQLite juga memiliki mekanisme journaling. Ketiga lapisan perlindungan ini memastikan data tetap aman meskipun terjadi gangguan sistem.

Kesimpulan

sistem ini membuktikan bahwa AI agent bisa memiliki ingatan yang sebaik — atau bahkan lebih baik — dari asisten manusia. Dengan 16 agent yang terkonfigurasi dan 144 file pengetahuan tersimpan, sistem ini menunjukkan bagaimana arsitektur hybrid yang tepat bisa menciptakan ekosistem AI yang benar-benar terhubung dan terus belajar.

Bagi pengembang yang membangun sistem multi-agent, sistem ini menawarkan blueprint yang sudah teruji. Fondasi yang kuat dari Redis, Obsidian, dan SQLite dikombinasikan dengan desain yang elegan memberikan sistem yang scalable, reliable, dan siap untuk pertumbuhan di masa depan.

Codename: sistem ini (Latin: tujuh)
Versi: 5.0
Status: Production-ready
Agent Aktif: 16
Knowledge Base: 144 file
Kode Sumber: 3.005 baris

Sumber

Perbandingan dengan Sistem Memori Lain

Untuk memahami mengapa sistem ini dipilih sebagai fondasi memori untuk ekosistem Hermes, penting untuk melihat bagaimana sistem ini dibandingkan dengan pendekatan lain yang umum digunakan dalam industri AI.

// Advertisement

Versus Mem0 (Cloud-Based)

Mem0 menawarkan solusi memori berbasis cloud dengan kemampuan semantic search yang kuat. Namun, sistem ini memiliki keunggulan dalam hal biaya dan kontrol. Dengan berjalan di Redis lokal, sistem ini tidak memerlukan biaya API eksternal dan memberikan kontrol penuh atas data yang tersimpan. Latency juga lebih rendah karena tidak perlu mengerjakan request ke server cloud.

Versus SQLite-Only

Beberapa sistem hanya mengandalkan SQLite sebagai penyimpanan utama. Pendekatan ini sederhana tapi memiliki keterbatasan dalam hal kecepatan akses dan kemampuan real-time. sistem ini mengatasi masalah ini dengan menambahkan Redis sebagai layer kecepatan tinggi untuk data yang sering diakses.

Versus In-Memory Only

Sistem yang hanya pakai memori volatile akan kehilangan semua data saat restart. sistem ini mengatasi masalah ini dengan kombinasi Redis persistence, Obsidian vault, dan SQLite journaling — memastikan data tetap aman meskipun terjadi gangguan sistem.

Studi Kasus: Artikel Pipeline dengan sistem ini

Salah satu penerapan paling sukses dari sistem ini adalah dalam article pipeline yang digunakan oleh tim konten. Pipeline ini melibatkan empat agent yang bekerja secara berurutan: Scout untuk riset, Scribe untuk penulisan, QA untuk review, dan publish untuk deployment.

Dengan sistem ini, setiap agent dalam pipeline bisa pakai konteks dari agent sebelumnya. Scout menyimpan hasil riset ke shared context, Scribe mengambil data tersebut saat menulis, QA pakai data yang sama untuk verifikasi, dan publish memiliki akses ke semua metadata yang dibutuhkan.

Hasilnya adalah pipeline yang jauh lebih efisien dibanding pendekatan tanpa memori terpadu. Tidak ada lagi kehilangan konteks antar tahap, tidak ada lagi pekerjaan berulang, dan kualitas output meningkat secara konsisten karena setiap agent memiliki akses ke informasi lengkap dari tahap sebelumnya.

Pandangan ke Depan

sistem ini terus berevolusi seiring dengan pertumbuhan ekosistem Hermes. Dengan 16 agent yang aktif dan rencana ekspansi ke domain baru, sistem ini siap menghadapi tantangan skala yang lebih besar. Arsitektur hybrid yang fleksibel bisa penambahan backend baru tanpa perlu mengubah seluruh sistem.

Visi jangka panjangnya adalah menciptakan ekosistem AI di mana setiap agent tidak hanya menyelesaikan tugasnya, tapi juga berkontribusi pada pengetahuan kolektif yang bisa dimanfaatkan oleh agent lain. Dengan sistem ini sebagai fondasi, visi ini sudah menjadi kenyataan yang terus berkembang setiap harinya.

Tantangan dan Solusi dalam Implementasi

Membangun sistem memori terpadu untuk multi-agent bukan tanpa tantangan. sistem ini menghadapi beberapa masalah teknis yang perlu dipecahkan selama pengembangan dan penerapan di lingkungan produksi.

Migrasi dari Mem0

Sistem awal pakai Mem0 sebagai backend utama untuk memori jangka panjang. Namun, setelah evaluasi ditemukan bahwa Mem0 memiliki keterbatasan dalam hal latency dan biaya operasional. Migrasi ke Redis + Obsidian membutuhkan proses carefully planned yang dikerjakan bertahap untuk memastikan tidak ada data yang hilang selama transisi.

Konsistensi Data Antar Backend

Dengan multiple backend, menjaga konsistensi data menjadi tantangan tersendiri. sistem ini menyelesaikan masalah ini dengan strategi write-through untuk data kritis dan eventual consistency untuk data yang kurang sensitif. Monitoring secara berkala juga dikerjakan untuk mendeteksi inkonsistensi sebelum menjadi masalah serius.

Optimalisasi Latency

Query paralel ke multiple backend berpotensi meningkatkan latency jika tidak ditingkatkan dengan baik. sistem ini pakai pendekatan smart timeout di mana setiap backend memiliki batas waktu response tersendiri. Backend yang lambat tidak akan memblokir hasil dari backend yang lebih cepat.

Kontribusi terhadap Ekosistem AI

sistem ini bukan hanya solusi untuk masalah internal Hermes — ini juga adalah kontribusi terhadap komunitas AI secara lebih luas. Dengan mendokumentasikan arsitektur dan lesson learned dari penerapan ini, pengembang lain bisa belajar dan mengadopsi pendekatan serupa untuk sistem multi-agent mereka.

Konsep hybrid memory yang digunakan sistem ini — menggabungkan kecepatan in-memory cache, pengetahuan permanen, dan sejarah audit — adalah pola yang berlaku untuk di berbagai konteks. Dari chatbot customer service hingga sistem rekomendasi, prinsip yang sama berlaku untuk semua aplikasi yang membutuhkan memori jangka pendek dan panjang secara bersamaan.

Best Practices untuk Implementasi

Berdasarkan pengalaman penerapan di lingkungan produksi, ada beberapa best practices yang bisa diikuti oleh pengembang yang ingin membangun sistem serupa. Praktik-praktik ini terbukti membantu mengurangi masalah dan meningkatkan keandalan sistem secara keseluruhan.

Desain Data yang Tepat

Pilih jenis penyimpanan yang sesuai dengan karakteristik data. Gunakan in-memory cache untuk data yang sering diakses dan membutuhkan kecepatan tinggi. Gunakan persistent storage untuk data yang harus bertahan lama. Dan gunakan document store untuk data terstruktur yang perlu diquery berdasarkan field tertentu.

Monitoring dan Alerting

Implementasikan monitoring menyeluruh untuk semua bagian sistem. Pantau latency, throughput, error rate, dan penggunaan memori secara real-time. Setup alerting untuk kondisi yang memerlukan perhatian segera seperti backend yang down atau latency yang melonjak secara tiba-tiba.

Backup dan Recovery

Meskipun sistem memiliki multiple layer persistence, backup reguler tetap dibutuhkan. Lakukan backup secara berkala dan test prosedur recovery untuk memastikan data bisa dipulihkan dengan benar jika terjadi kegagalan sistem yang parah.

Dokumentasi yang Baik

Dokumentasikan setiap aspek sistem — dari arsitektur tinggi hingga detail penerapan. Dokumentasi yang baik membantu proses debugging, onboarding developer baru, dan evolusi sistem di masa depan. Pastikan dokumentasi selalu up-to-date dengan kondisi aktual sistem di produksi.

Kesimpulan Akhir

Septem mewakili evolusi signifikan dalam cara AI agent mengelola dan berbagi memori. Dengan arsitektur hybrid yang elegan, sistem ini menghadirkan perpaduan sempurna antara kecepatan, keandalan, dan fleksibilitas yang dibutuhkan untuk ekosistem multi-agent di lingkungan produksi.

Kunci keberhasilan Septem terletak pada pendekatannya yang praktis — menggabungkan teknologi yang terbukti (Redis, Obsidian, SQLite) dengan desain yang bijaksana. Hasilnya adalah sistem yang tidak hanya berfungsi dengan baik hari ini, tapi juga siap untuk pertumbuhan dan evolusi di masa depan.

Bagi siapa saja yang membangun sistem AI multi-agent, pelajaran dari Septem jelas: investasikan waktu untuk membangun fondasi memori yang solid sejak awal. Manfaat jangka panjangnya — koordinasi yang lebih baik, konteks yang terjaga, dan pengetahuan yang terakumulasi — akan memberikan sistem yang jauh lebih powerful dan reliable dibanding pendekatan tanpa memori terpadu.

// Advertisement

VyuApp Studio

Bespoke web engineering — Garut, ID