Az AI ügynökökkel folytatott hosszabb munkamenetek során gyakran jelentkezik az a probléma, hogy az eszközök elfelejtik a korábbi döntéseket, technikai részleteket vagy hibakeresési lépéseket. Ennek oka a kontextusablak korlátja, amelynél az elérhető előzmények egyszerűen „kiesnek” a memóriából, így a rendszer csak az aktuálisan betöltött információkat látja.
Egy közösségi bővítmény, a lossless claw erre kínál megoldást: a hagyományos, üzeneteket letömörítő mechanikát egy DAG-alapú (irányított aciklusos gráf) összegző rendszerre cseréli. Itt minden üzenet és döntés strukturáltan, visszakereshetően, akár rétegenként is letárolásra kerül, vagyis semmi fontos nem vész el.
A telepítési folyamat lépéseiben az Ubuntu rendszeren, helyben futtatott Olama modellel demonstrálja a működést. Az eljárás része az OpenClaw frissítése, illetve a plug-in hozzáadása és aktiválása. Közben felmerülnek olyan kérdések, mint például hogy miért szükséges bizonyos modelleket letölteni, illetve hogyan lehet saját modellt választani vagy konfigurálni az üzemeltetés során.
A videó kitér az összefoglaló rendszer belső struktúrájára és működésére is. Szóba kerül, miként tömörülnek az egyes üzenetek és beszélgetési szálak különböző mélységi szinteken, hogyan őrizhető meg minden eredeti adat egy SQLite-adatbázisban, valamint hogy a DAG-rétegek miként teszik lehetővé a visszakeresést. Felvetődik a kérdés, hogy milyen gyakorlati kompromisszumok járnak ezzel az eljárással, például a késleltetés vagy a tömörítések minősége.
Az összehasonlításban megjelenik egy másik eszköz, a Bite Rover is, valamint érintett az a dilemma, hogy a kereshető vagy az örökre megőrzött memória jelent-e nagyobb előnyt egy AI ügynök számára.
