Com Embeddings

Os embeddings PAM são armazenados em um arquivo complementar separado. Isso mantém o memory store principal leve, enquanto oferece suporte a sistemas que necessitam de busca vetorial. Este exemplo fornece embeddings para todas as 5 memórias do Complete Memory Store.

Exemplo

{
  "schema": "portable-ai-memory-embeddings",
  "schema_version": "1.0",
  "embeddings": [
    {
      "id": "emb-001",
      "memory_id": "mem-001-identity",
      "model": "example-model-8d",
      "dimensions": 8,
      "created_at": "2026-02-15T22:01:00Z",
      "vector": [
        0.0123,
        -0.0456,
        0.0789,
        -0.0234,
        0.0567,
        -0.0891,
        0.0345,
        -0.0678
      ]
    },
    {
      "id": "emb-002",
      "memory_id": "mem-002-skill",
      "model": "example-model-8d",
      "dimensions": 8,
      "created_at": "2026-02-15T22:01:00Z",
      "vector": [
        0.0234,
        -0.0567,
        0.0891,
        -0.0123,
        0.0456,
        -0.0789,
        0.0678,
        -0.0345
      ]
    },
    {
      "id": "emb-003",
      "memory_id": "mem-003-project",
      "model": "example-model-8d",
      "dimensions": 8,
      "created_at": "2026-02-15T22:01:00Z",
      "vector": [
        0.0345,
        -0.0678,
        0.0123,
        -0.0456,
        0.0789,
        -0.0234,
        0.0567,
        -0.0891
      ]
    },
    {
      "id": "emb-004",
      "memory_id": "mem-004-preference",
      "model": "example-model-8d",
      "dimensions": 8,
      "created_at": "2026-02-15T22:01:00Z",
      "vector": [
        0.0456,
        -0.0789,
        0.0234,
        -0.0567,
        0.0891,
        -0.0123,
        0.0345,
        -0.0678
      ]
    },
    {
      "id": "emb-005",
      "memory_id": "mem-005-environment",
      "model": "example-model-8d",
      "dimensions": 8,
      "created_at": "2026-02-15T22:01:00Z",
      "vector": [
        0.0567,
        -0.0891,
        0.0345,
        -0.0678,
        0.0123,
        -0.0456,
        0.0789,
        -0.0234
      ]
    }
  ]
}

Nota

Este exemplo usa um modelo fictício de 8 dimensões para facilitar a leitura. Modelos de embedding reais normalmente produzem vetores de 256 a 3072 dimensões.

Campos Principais

• schema / schema_version — Identifica este arquivo como um arquivo de embeddings PAM (portable-ai-memory-embeddings, versão 1.0)
• embeddings[].id — Identificador único do embedding (ex: emb-001), referenciado pelo campo embedding_ref no objeto de memória correspondente no memory store
• embeddings[].memory_id — Vincula de volta ao objeto de memória correspondente (ex: mem-001-identity)
• embeddings[].model — Modelo de embedding usado para gerar o vetor (example-model-8d neste exemplo)
• embeddings[].dimensions — Dimensionalidade do vetor, deve corresponder ao comprimento do array vector (8 neste exemplo)
• embeddings[].vector — O vetor de embedding propriamente dito, como um array de floats
• embeddings[].created_at — Quando o embedding foi gerado; útil para detectar embeddings desatualizados após a atualização do conteúdo da memória

O arquivo de embeddings é validado contra portable-ai-memory-embeddings.schema.json.