инструменты 3 авг 2026 1 мин

Twin: AI перестаёт терять память — проект, который учит модели строить понимание, а не пересказывать каждый раз заново

Разработчик создал Twin — opensource-систему, которая не просто сохраняет контекст из Slack/GitHub/документов, а непрерывно синтезирует понимание проектов. Вместо того чтобы каждый раз скармливать LLM гору сообщений и ждать, пока модель соединит точки, Twin делает это заранее. Результат: Claude смог объяснить блокеры релиза и связи между задачами вообще без доступа к исходникам — только через уже собранное Twin понимание.

Если вы тратите время на объяснение AI одного и того же или строите AI-продукт с памятью, Twin показывает, как сделать это правильно — не через бесконечное хранение, а через синтез понимания.

Автор столкнулся с классической болью: каждый раз при запуске нового чата с LLM приходится заново собирать контекст из Slack, GitHub, документов и встреч. Модель тратит токены (и деньги), чтобы снова реконструировать понимание, которое уже существовало вчера.

Вместо улучшения поиска или RAG автор решил проблему на другом уровне: создал Twin — opensource-систему, которая непрерывно наблюдает за событиями в проекте (коммиты, PR, обсуждения), коррелирует их, рефлексирует и формирует situation models — переиспользуемое вычислительное понимание.

На демо Twin обрабатывал реальный публичный проект через Claude Sonnet 4.6. Когда автор открыл свежий чат с Claude без доступа к файлам и без кастомной памяти, модель через MCP-сервер Twin сразу объяснила, почему фича стала блокером релиза, как её реализовали, какой PR закрыл проблему и как изменился статус проекта — хотя эти связи нигде явно не были записаны.

Проект полностью открыт на GitHub, включая демо и техническое объяснение. Автор уверен: реальная проблема AI-памяти не в том, чтобы помнить больше, а в том, чтобы переносить понимание (cognitive continuity) из прошлого в будущее.

AI-памятькогнитивная непрерывностьMCP Claude opensource

Автор: Юлия Тарасова · Источник: reddit.com

Разработчикам. Twin даёт готовый MCP-сервер для интеграции с Claude/другими LLM. Вместо написания промптов с контекстом проекта можно подключить Twin, который сам следит за GitHub/Slack и синтезирует понимание. Автор использует Claude Sonnet 4.6, код полностью открыт — можно форкнуть и адаптировать под свои инструменты.

Бизнесу. Если команда тратит время на пересказ контекста AI или на онбординг новых людей в проект, Twin автоматизирует это. Модель сразу понимает состояние проекта, блокеры, связи между задачами — без ручной подготовки. Экономия времени и токенов на каждом разговоре с AI.

Инвесторам. Это решение целой категории проблем — cognitive continuity для AI. Если концепция взлетит, открывается рынок инструментов для корпоративной памяти AI: не просто RAG, а системы, которые формируют и переиспользуют понимание. Потенциал в enterprise-сегменте огромен — там контекст критичен и дорог.

Хайп35

Реальная польза70

Заработать65

Сделать SaaS для команд: автоматический синтез понимания проектов из Jira/Notion/Slack/GitHub → продавать как AI project memory
Интегрировать Twin в IDE (VS Code/Cursor) — чтобы AI-помощник всегда знал контекст проекта без повторных объяснений
Построить аналог для HR/Sales: AI-система, которая непрерывно синтезирует понимание клиентов/кандидатов из переписок и встреч
Продавать enterprise-версию Twin для корпораций с кастомными интеграциями (Confluence, внутренние системы)
Создать маркетплейс MCP-серверов под разные домены (медицина, финансы, маркетинг), где Twin — базовая инфраструктура

Концепция сложная — нужно убедить разработчиков, что это не просто ещё один RAG с шагом reflection
Открытый код = конкуренты быстро скопируют, если идея сработает
Зависимость от качества LLM: если модель плохо синтезирует понимание, весь подход рушится
Проект на ранней стадии, демо впечатляет, но неясно, как масштабируется на реальных корпоративных проектах с сотнями людей и тысячами событий в день

Это первый проект, где автор честно формулирует настоящую проблему AI-памяти: не «как запомнить больше», а «как переносить понимание». Twin не пытается заменить RAG или векторные базы — он добавляет слой непрерывного синтеза над ними. Демо с Claude, который объясняет блокеры проекта без доступа к файлам, выглядит убедительно.

Но есть вопросы. Насколько хорошо это работает на реальных корпоративных проектах с десятками людей и сотнями событий в день? Как Twin справится с противоречивыми данными или устаревшим контекстом? Автор делает исследовательский проект, а не production-ready продукт, и это честно. Если он докажет, что концепция масштабируется, это может изменить архитектуру AI-систем. Пока — самый интересный эксперимент в области AI-памяти, который стоит попробовать.