एपिसोड 63: OpenClaw 2026.6.1, Claude Code 2.1.162, Qwen 3.7 Max/Plus और कोडिंग एजेंट मेमोरी

मैं नौबा हूँ, मैं अलय हूँ और यह AgentStack Daily है. OpenClaw 6.1 एक इस चक्र की अगवाई कर रहा है, इसने Work Board Orchestration जोडा जो एक कमबन को Multi-Agent Coordination Surface में बदल देता है. Task-backed Board Runs के साथ, एक Governed Skill Workshop पेश किया Apply, Reject और Quarantine Flows के साथ साथ ही Roll Back Metadata, iMessage State और Plug-in Install Ledger को Clean Restarts के लिए Esquelite में स्थाना अंतरित किया, और Provider और Plug-in Request Paths पर Bounded Timers कसी. Cloth Code.162 भी आगे बढ़ा, Cloth Agents जसों में Waiting for Field जोडा ताकि आप आखिरकार देख सके कि Background Session क्यों रुका हुआ है, Remote Control को Persistent Footer Pill के रूप में सामने लाया, और Permission Rule और Interrupt Fixes को Stack किया जिसने Real Operator Pain को बंद किया. आप पहले Release Mechanics सुनेंगे, Work Board एक Task-Backed Multi-Agent Board के रूप में, Skill Workshop Agent Written Skills के लिए एक Governed Path के रूप में, Messages और Plugins के लिए Sclite-Backed Recovery और Stored Background Agents को समझाने वाले Cloth Code Status Fields के रूप में. दूसरा भाग Model और Memory Layer का अनुसर्ण करता है, Coding के लिए Qn 3.7 बना Multimodal Routing, Shared Cross-Agent Recall के लिए Agent Memory, Graph-Backed Repo Questions के लिए Code Graph Context और Lightweight Decision Memory के लिए Repo Grain. Harness Block के बाद हम Model Lane में जाते हैं, Qn 3.7 Max और Plus के साथ जो Coding को Multimodal Workloads से अलग करते हैं. दोनो Open Weight, दोनो Agentic Use के लिए Design किये गए. फिर Coding Agents के लिए Persistent Context के तीन अलग-अलग तरीके, Agent Memory एक Shared Cross-Agent Memory Server के रूप में, Code Graph Context एक Graph-Backed Code Query Surface के रूप में, और Repo Grain एक Lightweight Decision Log के रूप में. सामान्य Thread Continuity है, Agents को Durable Work State, Durable Repo Knowledge और Durable Memory की जरूरत है, बिफोर Long-Running Automation Trustworthy लगे. तीन Layers एक साथ मूव कर रहे हैं, और Listen करने का सबसे उपयोगी तरीका है, उन्हें अलग रखना. Harness Layer Well-Known Surfaces की एक छोटी संख्या के आस-पास Consolidating हो रहा है. Open Claw 6.1 Open Claw को एक Coordination Organ and Surface बनाने की दिशा में सबसे ठोस कदम है, सिर्फ एक Run Time नहीं. Work Board Headline है, Multi-Agent Planning और Run Tracking Board Orchestration Primitives के साथ, Task-Backed Board Runs और Edit Model में Task Commence. Commence का Task Body के सेम मॉडल में होना एक छोटा डीटेल है, जो मैटर करता है, क्योंकि Review DK नहीं होता जब वहाँ Work के बगल में Embedded हो. Skill Workshop दूसरा Big Move है यह Skill Authoring को एक Governed Surface में ले जाता है Proposal Life Cycle Apply, Reject या Quarantine है, Version Dated Front Matter के साथ, Support File Scanning और Hashing और एक Skill Underscore Workshop Agent Tool जिसे Agent Flow को Drive करने के लिए Call कर सकता है Agent अब सिर्फ Approved Skills का Consumer नहीं है यह Approval Loop में एक Participant है Recovery तीसरा एरिया है iMessage Monitor State, Inbound Queues और Plugin Install Ledger अब SQLite में Persisted हैं ताकि Restarts Duplicate File System Scanning के बिना Recover करें Bounded Timers और Retrize Provider और Plugin Request Paths को Wrap करते हैं ताकि OAuth, Device Codes, Media Downloads, Local Service Probes और Generated Content Polling सभी Cleanly Fail बजाए एक Run को Indefinitely Hang करने के Cloud Code side पर .162 Tightening Releases की एक String में Latest है सबसे Operator Visible Change Cloud Agents जसों में Waiting For है जो Surface करता है कि क्या एक Background Agent Permission Prompt पर, एक Long Running Tool पर या Sub-Agent Hand-Off पर Blocked है Web Fetch Permission Rules अब Pre-Approved Host Auto Allow पर Precedence लेते हैं एक Second से कम के MCP Server Timeouts अब One Second Watch Dog पर Floor नहीं करते और Stream Jusoya ASDK Sessions के Very Start पर दबाया गया Interrupt अब Silently Drop नहीं करता Model की कहानी कुएं 3.0 है Alibaba ने दो अलग-अलग Variant Launch किये Reasoning, Coding और Math के लिए Max, Multimodel और Vision के लिए Plus दोनो Open Wait हैं, दोनो Open Router पर हैं, दोनो को Allama या LM Studio के जरिए Pull किया जा सकता है Model Routing तब और दिल्चस्प हो जाती है, जब आप Code Edits के लिए एक Coding Model और Screen Shots के लिए एक Multimodel Model चुन सकते हैं, और दोनों को Locally या Single API Gateway के पीछे Run कर सकते हैं Agent Tooling की कहानी तीन Projects के बारे में है, जो एक ही Problem को अलग-अलग Angels से Attack कर रहे हैं Agent Memory आपकी Machine पर हर Agent को Port 3111 पर एक Shared Memory Server देता है, जिसमें Confidence Scoring, Life Cycle Management, एक Knowledge Graph और Hybrid Search है Code Graph Context आपके Repo को एक Graph Database में Index करता है, और इसे CLI और NCP Server दोनों के Through expose करता है, ताकि एक Agent Dozens of Files Grab किये बिना Structural Questions का जवाब दे सके RepoGrain Hull का Option है, एक CLI First Decision और Pattern Log जो Cloth Code और Codex के लिए बना है आएए इन्हें क्रम में लेते हैं Open Claw June के 6 से 1-3 को आया और यह हाल की Memory में सबसे Significant Stable Release है इसे समझने का तरीका यह है कि 3 Concentrate Layers है, Runtime Hardening हो रही है, Surface Area Coordination और Governance की तरफ टे और Provider Model broaden हो रहा है हर Layer माइने रखती है और Layers एक डूसरे को Reinforce करते हैं एक Coordination Surface तभी यूसफुल है जब Underline Runtime Reliable हो और एक Runtime तभी यूसफुल है जब वह सही पर Runt कर सके Workboard से शुरू करते हैं क्योंकि वही नया Mental Model दिखता है Combine Board कोई नई आइडिया नहीं है दिल्चस्ट सवाल यह है कि यह किस तरह का Combine Board है Workboard में Board Actual Task Decomposition को Drive करता है Agent Coordination Tools के साथ Multi-Agent Planning और Run Tracking के लिए Board Runs Task Backed है यानी एक Board Run सिर्फ एक Status Display नहीं है यह Execution की एक Real Unit है जिस पर Orchestration Layer Act कर सकता है Edit Model वह जगह है जहां Day-to-Day Operator काम होता है Task Commence Task Body के साथ उसी Model में रहती है तो जब Reviewer कोई Note छोड़ना चाहे या Sub Agent के Claim पर Push Back करना चाहे Conversation Work के बगल में रहता है जब Comments किसी Separate, Thread या Separate Tool में रहती हैं वे DK हो जाती हैं आप उन्हें Scroll करके Past कर जाते हैं आड्रेस करना भूल जाते हैं Sub Agent अपना अगला Turn बिना उन्हें देखे करता है उन्हें Edit Model में Embed करने से Review Sticky रहता है Orchestration Primitives वही हैं जो Work Board को Project Management Tool से अलग बनाते हैं Primitives वे Verbs हैं जो Agent Layer Call कर सकती है Assign a Task, Decompose a Task, Track a Run, Comment, Revise, Hand Off जब वे Verbs Agents के लिए Available होती हैं तो Board वहाँ जगा नहीं रहता जहां Humans Agents को Watch करते हैं बलकि वहाँ जगा बन जाता है जहां Agents एक दूसरे के साथ Coordinate करती हैं Humans द्वारा Supervised Open Clause Single Agent Runtime से Multi-Agent Coordination Layer की तरफ Move कर रहा है और Board वहाँ Surface है जो इसको Visible बनाता है Skill Workshop दूसरा Major Addition है Skill Authoring Historically या तो एक Markdown File Edit करो और Hope करो की कुछ नहीं तूटे रही है या एक PR Submit करो और Wait करो Skill Workshop एक Guarded Middle Path जोडता है Proposals Apply, Reject या Quarantine से गुजरती है Pending Proposals को Version Dated Proposal Front Matter के साथ In Place Revise किया जा सकता है Approved Proposals Standard Skill Folders के Under Support Files कैरी कर सकती है और उन Support Files को Scanner, Hash और Rollback Safeguard मिलते हैं Important Details Skill Unders को Workshop Agent Tool है एक Agent अब एक Skill Proposal Initiate कर सकता है उसे Review करवा सकता है और उसे Entirely Open Clore Runtime के अंदर Approve करवा सकता है Agent बात में देखने के लिए Human के लिए Ticket File नहीं कर रहा यह Review Flow में Participate कर रहा है और Skill Workshop Guidance Codex App Server Prompts में Surface होती है जब Skill Underscore Workshop अवेलिबल हो जिसका मतलब है कि एक Codex Backed Agent एक Run में सही Moment पर Skill Governance के लिए Prompt कर सकता है Covered Framing अपना काम Rollback Metadata Support File Scanning उन Files पर Hash और Suspicious दिखने वाली Proposals के लिए Quarantine State में करती है अगर कोई Proposal Standard Scale Folder के बाहर किसी File को Modify करती है Scanner उसे पकड़ लेती है अगर Approval के बाद कोई Support File बदलती है Hash Mismatch उसे पकड़ लेती है अगर कोई Proposal Production में Broken निकलती है Rollback Metadata Operator को बिलकुल बताती है कि किस वर्जन पर Revert करना है Requary तीसरा प्रमुक शेत्र है और यह वह है जिसे Operators सबसे सीधे महसूस करेंगे iMessage Monitor State, Inbound Queues और Plugin Install Laser अब SQLite में Persist होते है Plugin Install Index को हर Reload पर File System स्कैनिंग की जरूरत होती थी दरजनों Plugins वाली सेटप के लिए वह स्कैन एक उलेखनी अलागत है Index को SQLite में ले जाने का मतलब है कि Install Package Lookup अब Directory Walk के बजाए एक तेज Indexed Read है और यह restart के बाद भी स्टेट खोए बिना बना रहता है Bounded Timer और Retrie शांत हैं लेकिन उतने ही महत्वपूर्ण है Provider और Plugin Request Path में अब OAuth और Device Code Lifetime, Media Download, Local Service Probe और Generator Content Polling पर सपष्ट टाइम आउट है इन में से कई पाथ में पिछला व्यवहार किसी अटके हुए Network Call पर अनिश्चित काल तक प्रतीक्षा करना था और तभी विफल होना था जब कोई इनसान ध्यान देता नया व्यवहार एक Bounded Weight, एक साफ Retrie और एक परिभाशित failure surface है अगर Bound खक्म हो जाए Tool Call Interruption Handling एक ऐसी race को बंद करती है जो support forum पर हावी रही है Classic Failure Mode यहा है कि एक Tool Call शुरू होती है Network गिर जाता है, Time Out फायर होता है, Runtime सफाई की कोशिश करता है और सफाई आन्शिक response के साथ race करती है, जिससे सेशन एक confused state में रह जाता है 6.1 एक उस race को 5 pull request में अधिक साफ तरीके से बंद करता है जिसके परिणामस्वरूप Interrupted Tool Call, Stale Session Binding और Compaction Hand वहारी परिभाशित तरीके से recover होते है चैनल और Mobile Delivery Telegram, WhatsApp, iMessage, Slack, Discord, Microsoft Teams, Google Chat, Google Meet और iOS Real-Time Talk Surface पर अधिक स्थिर है iOS को hosted push relay default, Real-Time Talk playback और एक guarded web socket ping path मिलता है Guarded ping मायने रखता है क्योंकि एक mobile session जो अपना web socket connection खो देता है पहले या तो चुपचाप मर जाता था या reconnect spam करता था नया path एक एकल सही NSI-BLE reconnection strategy है Provider side पर Minimax M3 अब अपने 10 लाख token context window, sparse attention architecture, multi-model ख्रमताओं और Minimax code tool के साथ registered है Managed agent standard provider interface के जरिये बिना किसी custom configuration के Minimax M3 पर root कर सकते है Account OAuth endpoint provider metadata में शामिल है Google और Vertex catalog fixes model browsing और credential where catalog loading को संबोधित करते है Open router अब model metadata caching के लिए SQLite का उपयोग करता है ताकि catalog state restart के बाद भी बना रहे और बार-बार network call से बचा जा सके Copilot cloud की 10 लाख token क्षमताओं को मान्यता मिली है Foundry reasoning alignment Microsoft के Foundry endpoint के जरिये reasoning model को संबोधित करता है और OpenAI response replay guards guy deterministic replay age cases के खिलाफ सुरक्षा करते हैं Code mode scoped agent और global session के लिए आंतरिक Nemespace जोडता है जिसमें सटीक Nemespace tool dispatch है साथ ही MCP API file और code mode integration के लिए docs हैं Skills session metadata, gateway runtime state, plugin metadata, memory watchers और store rights hot path पर कम दोहराव वाला काम करते हैं 6.1 की इमानदार समीक्षा यह है कि headline features और plumbing features समान रूप से महत्वपूर्ण है Workboard और skill workshop को screenshot मिलते हैं Backed state और bounded timer वही हैं जो screenshot को विश्वस्निय बनाते हैं शुरुवाती अपनाने वालों की प्रतिक्रिया workboard side पर सकारात्मक रही है Skill workshop governance flow को agents को कौन देखता है सवाल का सही जवाब बताया गया है Cloud code.162 निरंतर tightening release की श्रिंखला में नवीनतम है और हाल के span के बारे में सोचने का सही तरीका feature drop के बजाय पेपर कट pass के रूप में है लगभग हर बदलाव किसी कोने के case को बंद कर रहा है और संचेई प्रभाव एक CLI है जो काफी कम अप्रत्याशित है operators के लिए सबसे उपयोगी बदलाव यहा है कि Claude Agents जसों में अब एक waiting for field शामिल है Backaground Agent चलाने वाले किसी भी व्यक्ति के लिए पुराना failure mode यह था कि एक Agent प्रगती करना बंद कर देता है UI running दिखाता है और आपको session से attach होना पड़ता है transcript में scroll करना पड़ता है और पता लगाना पड़ता है कि Agent किस पर block है अनुमती prompt सबसे आम कारण है लेकिन Agent एक लंबे समय से चल रहे tool एक style provider call या एक कतार में लगे subagent का भी इंतजार कर रहा हो सकता है नया field जसों में कारण सामने लाता है अगर waiting for permission underscore prompt पड़ता है तो आपको pending अनुमती देखनी होगी अगर यह tool underscore call long underscore running underscore command पड़ता है तो आप जानते हैं कि Agent एक सबप्रोसेस पर इंतजार कर रहा है अगर यह subagent pending underscore handoff पड़ता है तो आप जानते हैं कि Agent एक child session पर इंतजार कर रहा है व्याभारिक प्रभाव यह है कि आप operator tooling लिख सकते हैं जो style को diagnose करती है बिना किसी इंसान के attach होने और inspect करने की जरूरत के पांच या दस background agent चलाने वाली team के लिए यह observability में एक सार्थक बदलाव है वेब फेच पर्मिशन रूल्स अब pre-approved host auto allow से पहले आते हैं पुरानी behavior सच मुझ सर्प्राइजिंग थी एक team domain को pre-approved host list में add कर सकती थी और फिर sub domain पार एक more specific explicit deny rule add कर सकती थी और auto allow फिर भी जीत जाता fix से explicit deny, ask और allow rules authoritative बन गए है जो की एकमत behavior है जो sense बनाता है अगर आपने deny rule लिखा तो आपने उसका मतलब लिया Windows path handling backslashes और case variant paths के लिए fix है read deny rules अब glob और grep results से files नहीं छुपते जो की confused tool calls और silent permission violations का एक recipe हटा देता है MCP timeout change एक छोटा लेकिन सचा ergonomics fix है 1 second से नीचे per server timeout config values पहले floor होके 1 second watchdog ban जाते थे मतलब एक deliberately aggressive timeout को silently raise किया जाता था और फिर हर tool call को ask server के against abort किया जाता था नया behavior ये है कि sub 1 second values default या mcp underscore tool underscore timeout में fall through होती है और cloud mcp उन्हें annotate करता है ताकि आप देखसके कि क्या apply हुआ जिन लोग mcp servers को rate limited upstream APIs के against run कर रहे हैं उनके लिए ये fix alone upgrade के काबिल है interrupt handling एक turn के शुरू होने के बिलकुल start में stream jaso और sdk sessions के लिए fix है पुरानी race थी आप prompt भेजने के तुरंक बाद escape प्रेस करते हैं turn ने अभी processing शुरू नहीं किया interrupt drop हो जाता है और turn कोई feedback दिये बिना complete हो जाता है नया behavior interrupted feedback signal surface करता है ताकि sdk caller को पता हो सके की cancel land हुआ lsp workspace symbol operation अब एक query parameter accept करता है और use language server टक pass करता है जो key on agents के लिए एक छोटा लेकिन सचा improvement है जो lsp-based symbol search पे rely करते है windsurf today when rebrand relevance slash commands में reflected है और quieter startup groups notices severity के साथ है with session info और announcements sharing a single line per launch cloud agents UI को quality fixes का batch मिलता है status detail अब narrow column widths पा truncate नहीं करता long session names अब 40 columns पा truncate नहीं होते attach अब background service restart के बाद पहली try में session list पार वापस नहीं जाता और image paste dispatch input और session reply box में काम करता है left arrow से backgrounding अब conversation को silently lose नहीं करता जाब background service start नहीं कर सकती config directory के read only या unwriteable home पार silent startup hand fix है cloth code अब in memory config के साथ start होता है और error surface करता है remote control footer pill एक छोटा लेकिन useful change है remote control पहले एक startup message की तरह appear होता था जो scroll हो जाता था जैसे ही session busy हो जाता था मतलब operators कभी कभी track खो देते थे की session actually remote supervision के under था या नहीं persistent footer pill session link को visible रखता है .162 का honest assessment ये है कि headline है waiting for और बाकी सब बाकी paper cut stack है अगर आप background agents, permission rule precedence या MCP timeouts के बारे में intermittent bug reports file कर रहे हैं तो ये वो release है जो उनमें से सबसे खराब को close करता है अगर आप वो reports नहीं file कर रहे तो आप शायद सिर्फ ये notice करोगे की CLI इस महीने कम surprising feel करता है ये tightening release के लिए right outcome है और ये cycle में बाद में ज्यादा substantial feature drop के लिए जगा छोड़ देता है recent releases की pace भी note करना चाहिए CLI पहले से तेज move कर रहा है जैसे ये quarter पहले था और teams जो automation को specific version पे pin करते है उन्हें अपने upgrade cadence के बारे में सोचना चाहिए QN 3.7 में में land हुआ with two distinct variants और split meaningful है QN 3.7 max reasoning, coding और math को target करता है ये codex, cloud code के primary models और बाकी coding focused frontier models के same lane में है अगर आप एक coding agent के लिए model pick कर रहे है max वो variant है जिसे पहले evaluate करना चाहिए QN 3.7 plus multimodal और vision के लिए optimized है इसका मतलब है document understanding, screenshot interpretation, diagram reading और वो काम जहां input सिर्फ text नहीं है अगर आपके agent को images या scan documents handle करने है last वो variant है जो us lane को target करता है यह विभाजन उद्योग के व्यापक pattern को दर्शाता है विभिन कार्य प्रोफाइलों के लिए अलग-अलग model size लेकिन QN का open weight position इसे agent audience के लिए दिल्चस्प बनाता है आप coding काम के लिए max quantization locally ले सकते हैं और multimodal काम के लिए plus quantization locally ले सकते हैं और task के आधार पर उनके बीच route कर सकते हैं या आप open router API के जरिये दोनों को एक साथ target कर सकते हैं और harness को routing का काम सौंप सकते हैं deployment surface दोनों में एक जैसा रहता है QN का अपना framing 3.7 को सिर्फ chat completion के लिए नहीं बलकि agentic workflow के लिए design किया गया बताता है Context window और tool use capabilities agent computer use case के लिए तयार है यह framing इस बात के साथ मेल खाती है कि व्यापक agent stack ecosystem models के बारे में कैसे सोच रहा है सही model वही है जो tool calls को बनाए रख सके, लंबे context पढ़ सके और fail हुए steps से recover कर सके बिना thread खोए Local deployment के लिए Quen 3.7 Quantizations Olamo, LM Studio और Saman Tools के जरिये उपलब्ध है LM Studio का MLX Engine पिछले Quen family के लिए सपष्ट optimization रखता है और 3.7 Release से पता चलता है कि ये optimization Apple Silicon developers के लिए locally चलने वाले development में आगे बढ़ते हैं NVIDIA का DGX Spark Messaging Local Agent Stack Story का हिस्सा बनकर Quen Optimization को highlight करता है जो सुझाव देता है कि 3.7 Family Local Agent Computers के लिए वही deployment path follow करेगी व्यावहारिक सला सीधी है अगर आप coding और multimodal task के बीच route कर रहे हैं तो lane के हिसाब से चुने Code generation, code review, refactoring और reasoning heavy task के लिए max Document समझ, image analysis और visual input के लिए plus अगर आप पहले से कोई frontier coding model चला रही हैं और bottleneck multimodal handling है तो plus आपके मौझूदा multimodal path के खिलाफ test करने का candidate है अगर bottleneck coding quality है तो max आपके मौझूदा coding model के खिलाफ test करने का candidate है जहां vendor claims की अभी पुष्टी ज़रूरी है वह agentic behaviors के long tail मे है क्वेंड के खुद के reasoning और coding benchmark उपयोगी है लेकिन agent audience के लिए असली test यहां है कि model लंबे multi-step run में कितना टिकता है क्या वह tool failure से साफ तरीके से recover करता है और क्या multimodal variant text only input पर degrade नहीं होता शुरुआती community reaction code review और structured refactoring के लिए max पर उचसा ही रहा plus को document और screenshot work पर positive notes मिले लेकिन dense tables और small font OCR पर mixed feedback open router और olama parts को evaluation lane माने और अगले कुछ हफ्तों में community reaction पर नजर रखें agent memory तीन context tools में सबसे महत्वा कांक्शी है और इसे सोचने का सही तरीका यहा है कि यहाँ पूरे local agent stack के लिए एक shared memory server है यह जो problem solve करता है वह blank slick problem है आप जो भी agent चालू करते हैं चाहे cloud code, codex, github copilot, CLI, cursor, jmini, CLI, hums, openclaw, py, opencode या कोई NCP client वह बिना किसी memory के शुरू होता है कि आपने पिछले हफ्ते क्या किया अगर आपने cloud code में एक service की architecture समझाने में एक घंटा बिताया और फिर आप codex खोलते हैं किसी संबंधित task के लिए तो codex को कुछ भी पता नहीं कि वह बातचीत हुई थी agent memory port 3111 पर एक memory server के रूप में चलता है एक global NPM package के रूप में install, three engine पर built एक बार चलने पर agent native plugins, hooks या MCP के जरिये connect होते हैं इस पर निर्भर करता है कि agent क्या support करता है cloud code को एक native plugin, 12 hooks और MCP मिलता है codex को एक native plugin, 6 hooks और MCP मिलता है openclow और harms दोनों को एक native plugin और MCP मिलता है wiring depth agent के हिसाब से अलग होती है लेकिन underlying server वही है जिसका मतलब है कि एक agent द्वारा लिखी गई memory दूसरे के द्वारा पढ़ी जा सकती है feature set simple की value storage से आगे जाता है stored memories पर confidence scoring है ताकि system still या low confidence वाली memories की तुलना में हाल की और high confidence वाली memories को wait कर सके life cycle management है ताकि memories खुद बख्ट चली जाएं या सपष्ट रूप से retire हो सकें knowledge graph representation है ताकि संबंधित memories link की जा सकें hybrid search है ताकि recall path keyword और semantic matching को combine कर सकें confidence scoring agent audience के लिए विशेश रूप से जरूरी है क्योंकि विकल्प यह है कि हर memory को उतनी ही authoritative माना जाएं और यह जल्दी से एक store बना देता है जो stale guidance से भरा होता है जिसे agent current policy मानता है cross agent story वह हिस्सा है जो workflow math बदलता है एक developer जो high level refactoring के लिए cloth code, shell और file operations के लिए codex और multi-step task orchestrate करने के लिए harms इस्तिमाल करता है उसके पास फिलहाल तीन independent context windows है agent memory के साथ वही memory server तीनों के पीछे बैठता है तो एक agent के session का context अगले agent जो करता है उसे inform करता है एक real time viewer और एक three console शामिल है ताकि आप memory store में क्या है देख सकें नई memories को आते देख सकें और knowledge graph की जाच कर सकें repo हाल ही में commits के साथ सक्रिय रूप से maintain किया जाता है जो एक context tool के लिए माइने रखता है data structure तभी उप्योगी है जब project up to date रहे क्योंकि एक बंद किये गए memory tool की failure mod silent rot है जब agent landscape इसके चारों और बदलता है इमानदार आकलन यह है कि shared cross agent memory एक ऐसी category है जो अभी अपना आकार खोज रही है अलग-अलग agents के अलग-अलग prompt convention है अलग tool surface है और memory क्या मानी जाए इसके लिए अलग convention है agent memory का shared server को per agent connectors के साथ इस्तिमाल करने का तरीका उस समस्या को हल करने का एक तरीका है और three engine architecture वही है जो cross agent read path को काम करने देता है देखने वाली बात यह है कि real workloads के तहत confidence scoring और life cycle management कितनी अच्छी तरह टिकती है हर memory system को यह तै करना होता है कि क्या रखना है और क्या भूलना है और गलत defaults या तो पुरानी guidance से भरी store बनाते हैं या ऐसी store बनाते हैं जो जरूरी context खो देती है जिन teamों के पास पहले से एक ही machine पर कई agent चल रहे हैं यह एक tool है जिसे आकने योग्य है setup की लागत कम है install करें, demo चलाएं, अपने primary agent को connect करें और फायदा यह है कि एक session में project समझाने में जो समय लगाते हैं वह अगली बार जब आप कोई दूसरा agent खोलते हैं तो खो नहीं जाता shared server model का मतलब यह भी है कि एक छोटी team बिना cloud code, codex और harms मेंसे किसी एक को चुने एक ही memory surface पर standardized हो सकती है code graph context एक अलग तरह का context tool है जहां agent memory memory store करता है, वही code graph context code structure को एक graph database में index करता है और उस graph को इंसानों और agents दोनों के लिए expose करता है dual mode design यही मुख्य idea है एक ही graph index दो surface की सेवा करता है, एक CLI जहां developer code base के खिलाफ natural language queries चला सकता है और एक NCP server जहां cloud code, codex, jaminy और cursor जैसे AI agent structural सवालों के जवाब देने वाले tools call कर सकते हैं CLI आपको manual exploration के लिए वही graph देता है NCP आपके agent को एक callable tool के रूप में वही graph देता है Indexing engine tree sitter nodes का उपयोग करके code parse करता है और components का graph बनाता है functions, classes, methods, parameters, inheritance relationships, function calls और imports इसका मतलब यहा है कि graph function A में एक ही नाम वाले function और function B में एक ही नाम वाले function के बीच अंतर जानता है Text search दोनों को return करेगा Graph केवल उसी को return करता है जिसे query किया गया है Aim CP surface वह जगह है जहां agent work flow दिखता है Exposed tools में get underscore callers, get underscore callies, get underscore class underscore hierarchy और get underscore call underscore chain शामिल है एक agent जिसे refractor की blast radius समझने की जरूरत है Graph से सीधे callers और callies पूछ सकता है इसके बजाय code base को grape करके और पाया हुआ समझने की कोशिश करने के बजाय बड़े code base पर अंतर महत्वपूर्ण है Graph query एक single tool call है जिसका जवाब सटीक है Grape रास्ता uncertain inference की श्रिंखला है Live file watching files बदलने पर real time में graph update करती है ताकि refactor session के दौरान index पुराना न हो Pre-indexed bundles आपको indexer चलाए बिना प्रसिध repositories तुरंत लोड करने देते हैं जो किसी ग्याद code base के खिलाफ tool का मूल्यांकन करने के लिए उप्योगी है समर्थित भाषाएं 22 में शामिल है जिसमें python, javascript, typescript, java, c, c++, c hush, go, rust, ruby, php, swift, kotlin, dart और कई अन्य शामिल है भाषा समर्थन की चौडाई एक असली ताकत है और Tree Sitter Foundation वही है जो भाषा coverage को practical बनाती है Marketing claim नहीं Graph database backend plugable है Default Fulcor DB Lite है Kujudi B, Ladybug DB, Fulcor DB Remote, Nornik DB और Neo4JB समर्थित है सभी Docker या Native के माध्यम से उपलब्ध है Backend का चुनाव performance characteristics और operational fit के लिए माइने रखता है और plugable design का मतलब है कि एक team वह backend चुन सकती है जो उनके मौझूदा graph database infrastructure से mail खाता है Practical use case एक agent है जिसे non-attrivial refactoring या code analysis करने की जरूरत है Graph के बिना, agent का code base का mental model text search और हाल ही में पढ़ी गई files के content से बना धुन्दला चित्र है Graph के साथ, agent सटीक सवाल पूछ सकता है और सटीक जवाब पा सकता है Graph बड़े code base पर tool call overhead कम करती है जहां text search को दरजनों files में चलाने की जरूरत होती है और यह false positives को हटाती है जो अलग-अलग classes में एक ही नाम वाले functions से आते हैं इमानदार मूल्यांकन यह है कि code graph context मध्यम से बड़े code base के लिए सबसे मूल्यवान है छोटे repo पर agent पूरी चीज पढ़ सकता है और graph का overhead इसके लायक नहीं है बड़े monorepore graph वह अंतर है जो एक agent को समरचना के बारे में तर्क करने में सक्षम बनाता है और एक ऐसे agent से जो बस अनुमान लगा रहा है AMCP integration वह हिस्सा है जो इसे मौझूदा agent loop के अंदर बिना agent के काम करने के तरीके को बदले उपयोग करने योग्य बनाता है और live file watching का मतलब है कि graph लंबे refactor sessions में भी उपयोगी रहती है RepoBrain तीसरा context tool है और इसका framing यहा है कि हर team को agent memory की पूरी feature set की जरूरत नहीं है कुछ teams को बस एक lightweight decision log चाहिए Design CLI first और local है कोई external infrastructure नहीं, कोई graph database नहीं, कोई knowledge graph नहीं बस decisions और patterns को store करने का एक structured तरीका जिसे agent अगले session में query कर सकता है मकसद है decision recall और pattern storage जब एक agent यह चुनता है कि किसी problem को कैसे solve करना है या code को कैसे structure करना है, तो वह decision store हो जाती है ताकि भविश्य का session उसे query कर सके और उसी बिंदु पर फिर से debate न करना पड़े lightweight focus खास बिंदु है agent memory एक full system है जिसमे confidence scoring, life cycle management और knowledge graph है code graph context एक graph database है जिसमें CLI और MCP surface है repo brain एक CLI tool है trade-off है feature depth बनाम operational simplicity और एक developer के लिए जो बस चाहता है कि agent याद रखे हमने यहां strategy pattern यूज करने का फैसला किया inheritance नहीं, lightweight path सही fit है agent specific wiring में cloth code और codex के लिए drop-in integration शामिल है decision log मुख्य data structure है recall path log के खिलाफ query है context window efficiency gain वह value proposition है हर session एक decision को फिर से derive करने के बजाए agent stored decision पढ़ता है और आगे बढ़ता है लंबे चलने वाले projects पर यह असली समय की बचत है इमानदार मूल्यांकन यहा है कि repo brain इन दोनों tools से अलग नीश में fit बैठता है यह shared cross agent memory server बनने की कोशिश नहीं कर रहा और नहीं यह graph database बनने की कोशिश कर रहा है यह छोटा से छोटा tool बनने की कोशिश कर रहा है जो decision recall problem solve करे जिन Timo ने अभी तक memory tool adopt नहीं किया है और low friction entry point चाहती है उनके लिए repo brain देखने लायक है जिन Timo को पहले से shared cross agent memory या graph backed code analysis की जरूरत है agent memory और code graph context ज्यादा capable options है यह तीन tools मिलकर एक maturing category का वर्णन करते हैं agent memory broad cross agent option है code graph context structural option है repo brain lightweight option है यह तथ्य की तीनों exist करती हैं और actively maintained हो रही है यह signal है कि agent tooling space context preservation को एक real problem मान रहा है जिसके multiple valid shapes है runtime में जोडने वाली feature नहीं यही बातचीत खत्म हुई open close 6.1 workboard, skill workshop और sclite backed recovery के साथ cloth code dot 162 waiting for jaso, permission rule fixes और interrupt handling के साथ quintin.7 max और plus का coding और multimodal को split agent memory, code graph context और repo brain coding agents के लिए persistent context के तीन अलग-अलग approaches के तौर पर timestamps, harness version references और projects के links के साथ पूरा breakdown to be on fitnesstech.com पर show notes में है सुनने के लिए शुक्रिया, जल्द ही वापस आएंगे extraफ और ही अलगए पर स्टा आएंगे झालगए