English | Français | Español | Deutsch | Italiano | Português | Nederlands | Polski | Русский | 日本語 | 中文 | العربية | 한국어
Trwała pamięć dla agentów AI. Pojedynczy plik binarny, zero zależności, natywna obsługa MCP.
ICM daje Twojemu agentowi AI prawdziwą pamięć — nie narzędzie do notatek, nie menedżer kontekstu, lecz pamięć.
ICM (Infinite Context Memory)
┌──────────────────────┬─────────────────────────┐
│ MEMORIES (Topics) │ MEMOIRS (Knowledge) │
│ │ │
│ Epizodyczna, czaso. │ Trwała, ustrukturyz. │
│ │ │
│ ┌───┐ ┌───┐ ┌───┐ │ ┌───┐ │
│ │ m │ │ m │ │ m │ │ │ C │──depends_on──┐ │
│ └─┬─┘ └─┬─┘ └─┬─┘ │ └───┘ │ │
│ │decay │ │ │ │ refines ┌─▼─┐│
│ ▼ ▼ ▼ │ ┌─▼─┐ │ C ││
│ waga maleje │ │ C │──part_of──>└───┘│
│ z czasem, chyba że │ └───┘ │
│ jest dostępna/kryt. │ Koncepcje + Relacje │
├──────────────────────┴─────────────────────────┤
│ SQLite + FTS5 + sqlite-vec │
│ Wyszukiwanie hybrydowe: BM25 (30%) + cosine (70%) │
└─────────────────────────────────────────────────┘
Dwa modele pamięci:
- Memories — przechowywanie/odwoływanie z temporalnym zanikaniem według ważności. Krytyczne wspomnienia nigdy nie zanikają, te o niskim priorytecie zanikają naturalnie. Filtrowanie według tematu lub słowa kluczowego.
- Memoirs — trwałe grafy wiedzy. Koncepcje powiązane typowanymi relacjami (
depends_on,contradicts,superseded_by, ...). Filtrowanie według etykiety. - Feedback — rejestrowanie korekt, gdy przewidywania AI są błędne. Przeszukiwanie przeszłych błędów przed dokonywaniem nowych przewidywań. Nauka w zamkniętej pętli.
# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm
# Szybka instalacja
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh
# Ze źródeł
cargo install --path crates/icm-cli# Automatyczne wykrywanie i konfiguracja wszystkich obsługiwanych narzędzi
icm initKonfiguruje 17 narzędzi jednym poleceniem (pełny przewodnik integracji):
| Narzędzie | MCP | Hooki | CLI | Umiejętności |
|---|---|---|---|---|
| Claude Code | ~/.claude.json |
5 hooków | CLAUDE.md |
/recall /remember |
| Claude Desktop | JSON | — | — | — |
| Gemini CLI | ~/.gemini/settings.json |
5 hooków | GEMINI.md |
— |
| Codex CLI | ~/.codex/config.toml |
4 hooki | AGENTS.md |
— |
| Copilot CLI | ~/.copilot/mcp-config.json |
4 hooki | .github/copilot-instructions.md |
— |
| Cursor | ~/.cursor/mcp.json |
— | — | reguła .mdc |
| Windsurf | JSON | — | .windsurfrules |
— |
| VS Code | ~/Library/.../Code/User/mcp.json |
— | — | — |
| Amp | JSON | — | — | /icm-recall /icm-remember |
| Amazon Q | JSON | — | — | — |
| Cline | VS Code globalStorage | — | — | — |
| Roo Code | VS Code globalStorage | — | — | reguła .md |
| Kilo Code | VS Code globalStorage | — | — | — |
| Zed | ~/.zed/settings.json |
— | — | — |
| OpenCode | JSON | wtyczka TS | — | — |
| Continue.dev | ~/.continue/config.yaml |
— | — | — |
| Aider | — | — | .aider.conventions.md |
— |
Lub ręcznie:
# Claude Code
claude mcp add icm -- icm serve
# Tryb kompaktowy (krótsze odpowiedzi, oszczędność tokenów)
claude mcp add icm -- icm serve --compact
# Dowolny klient MCP: command = "icm", args = ["serve"]icm init --mode skillInstaluje polecenia slash i reguły dla Claude Code (/recall, /remember), Cursor (reguła .mdc), Roo Code (reguła .md) oraz Amp (/icm-recall, /icm-remember).
icm init --mode hookInstaluje hooki automatycznej ekstrakcji i automatycznego przywoływania dla wszystkich obsługiwanych narzędzi:
| Narzędzie | SessionStart | PreTool | PostTool | Compact | PromptRecall | Konfiguracja |
|---|---|---|---|---|---|---|
| Claude Code | icm hook start |
icm hook pre |
icm hook post |
icm hook compact |
icm hook prompt |
~/.claude/settings.json |
| Gemini CLI | icm hook start |
icm hook pre |
icm hook post |
icm hook compact |
icm hook prompt |
~/.gemini/settings.json |
| Codex CLI | icm hook start |
icm hook pre |
icm hook post |
— | icm hook prompt |
~/.codex/hooks.json |
| Copilot CLI | icm hook start |
icm hook pre |
icm hook post |
— | icm hook prompt |
.github/hooks/icm.json |
| OpenCode | start sesji | — | ekstrakcja narzędzi | kompakcja | — | ~/.config/opencode/plugins/icm.ts |
Co robi każdy hook:
| Hook | Co robi |
|---|---|
icm hook start |
Wstrzykuje pakiet startowy krytycznych/ważnych wspomnień na początku sesji (~500 tokenów) |
icm hook pre |
Automatyczne zezwalanie na polecenia CLI icm (bez monitu o uprawnienia) |
icm hook post |
Ekstrakcja faktów z wyjścia narzędzia co N wywołań (automatyczna ekstrakcja) |
icm hook compact |
Ekstrakcja wspomnień z transkryptu przed kompresją kontekstu |
icm hook prompt |
Wstrzykiwanie przypomnianego kontekstu na początku każdego monitu użytkownika |
ICM może być używany przez CLI (polecenia icm) lub serwer MCP (icm serve). Oba sposoby korzystają z tej samej bazy danych.
| CLI | MCP | |
|---|---|---|
| Opóźnienie | ~30ms (bezpośredni plik binarny) | ~50ms (JSON-RPC stdio) |
| Koszt tokenów | 0 (oparte na hookach, niewidoczne) | ~20-50 tokenów/wywołanie (schemat narzędzia) |
| Konfiguracja | icm init --mode hook |
icm init --mode mcp |
| Współpracuje z | Claude Code, Gemini, Codex, Copilot, OpenCode (przez hooki) | Wszystkie 17 narzędzi kompatybilnych z MCP |
| Automatyczna ekstrakcja | Tak (hooki wywołują icm extract) |
Tak (narzędzia MCP wywołują store) |
| Najlepsze dla | Zaawansowanych użytkowników, oszczędności tokenów | Uniwersalna kompatybilność |
# Przechowywanie
icm store -t "mój-projekt" -c "Użyj PostgreSQL jako głównej bazy danych" -i high -k "db,postgres"
# Przywoływanie
icm recall "wybór bazy danych"
icm recall "konfiguracja uwierzytelniania" --topic "mój-projekt" --limit 10
icm recall "architektura" --keyword "postgres"
# Zarządzanie
icm forget <memory-id>
icm consolidate --topic "mój-projekt"
icm topics
icm stats
# Ekstrakcja faktów z tekstu (regułowa, zero kosztów LLM)
echo "Parser używa algorytmu Pratt" | icm extract -p mój-projekt# Tworzenie wspomnienia
icm memoir create -n "architektura-systemu" -d "Decyzje dotyczące projektu systemu"
# Dodawanie koncepcji z etykietami
icm memoir add-concept -m "architektura-systemu" -n "usługa-uwierzytelniania" \
-d "Obsługuje tokeny JWT i przepływy OAuth2" -l "domain:auth,type:service"
# Łączenie koncepcji
icm memoir link -m "architektura-systemu" --from "brama-api" --to "usługa-uwierzytelniania" -r depends-on
# Wyszukiwanie z filtrem etykiet
icm memoir search -m "architektura-systemu" "uwierzytelnianie"
icm memoir search -m "architektura-systemu" "usługa" --label "domain:auth"
# Inspekcja sąsiedztwa
icm memoir inspect -m "architektura-systemu" "usługa-uwierzytelniania" -D 2
# Eksport grafu (formaty: json, dot, ascii, ai)
icm memoir export -m "architektura-systemu" -f ascii # Ramki z paskami pewności
icm memoir export -m "architektura-systemu" -f dot # Graphviz DOT (kolor = poziom pewności)
icm memoir export -m "architektura-systemu" -f ai # Markdown zoptymalizowany dla kontekstu LLM
icm memoir export -m "architektura-systemu" -f json # Strukturalny JSON ze wszystkimi metadanymi
# Generowanie wizualizacji SVG
icm memoir export -m "architektura-systemu" -f dot | dot -Tsvg > graph.svg| Narzędzie | Opis |
|---|---|
icm_memory_store |
Przechowywanie z automatyczną deduplikacją (podobieństwo >85% → aktualizacja zamiast duplikatu) |
icm_memory_recall |
Wyszukiwanie według zapytania, filtrowanie według tematu i/lub słowa kluczowego |
icm_memory_update |
Edycja wspomnienia w miejscu (treść, ważność, słowa kluczowe) |
icm_memory_forget |
Usuwanie wspomnienia według ID |
icm_memory_consolidate |
Scalanie wszystkich wspomnień tematu w jedno podsumowanie |
icm_memory_list_topics |
Lista wszystkich tematów z liczbą wpisów |
icm_memory_stats |
Globalne statystyki pamięci |
icm_memory_health |
Audyt higieny według tematu (nieaktualność, potrzeba konsolidacji) |
icm_memory_embed_all |
Uzupełnianie osadzeń dla wyszukiwania wektorowego |
| Narzędzie | Opis |
|---|---|
icm_memoir_create |
Tworzenie nowego wspomnienia (kontener wiedzy) |
icm_memoir_list |
Lista wszystkich wspomnień |
icm_memoir_show |
Wyświetlanie szczegółów wspomnienia i wszystkich koncepcji |
icm_memoir_add_concept |
Dodawanie koncepcji z etykietami |
icm_memoir_refine |
Aktualizacja definicji koncepcji |
icm_memoir_search |
Wyszukiwanie pełnotekstowe, opcjonalnie filtrowane według etykiety |
icm_memoir_search_all |
Wyszukiwanie we wszystkich wspomnieniach |
icm_memoir_link |
Tworzenie typowanej relacji między koncepcjami |
icm_memoir_inspect |
Inspekcja koncepcji i sąsiedztwa grafu (BFS) |
icm_memoir_export |
Eksport grafu (json, dot, ascii, ai) z poziomami pewności |
| Narzędzie | Opis |
|---|---|
icm_feedback_record |
Rejestrowanie korekty, gdy przewidywanie AI było błędne |
icm_feedback_search |
Wyszukiwanie przeszłych korekt w celu informowania przyszłych przewidywań |
icm_feedback_stats |
Statystyki informacji zwrotnych: łączna liczba, podział według tematu, najczęściej stosowane |
part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by
Pamięć epizodyczna (Topics) rejestruje decyzje, błędy, preferencje. Każde wspomnienie ma wagę, która zanika z czasem w zależności od ważności:
| Ważność | Zanikanie | Przycinanie | Zachowanie |
|---|---|---|---|
critical |
brak | nigdy | Nigdy nie zapomniane, nigdy nie przycinane |
high |
powolne (0,5x szybkości) | nigdy | Zanika powoli, nigdy nie usuwane automatycznie |
medium |
normalne | tak | Standardowe zanikanie, przycinane gdy waga < próg |
low |
szybkie (2x szybkości) | tak | Szybko zapomniane |
Zanikanie jest świadome dostępu: często przywoływane wspomnienia zanikają wolniej (decay / (1 + access_count × 0.1)). Stosowane automatycznie przy przywoływaniu (jeśli >24h od ostatniego zanikania).
Higiena pamięci jest wbudowana:
- Automatyczna deduplikacja: przechowywanie treści o podobieństwie >85% do istniejącego wspomnienia w tym samym temacie aktualizuje je zamiast tworzyć duplikat
- Wskazówki konsolidacji: gdy temat przekracza 7 wpisów,
icm_memory_storeostrzega rozmówcę o potrzebie konsolidacji - Audyt zdrowia:
icm_memory_healthraportuje liczbę wpisów na temat, średnią wagę, nieaktualne wpisy i potrzeby konsolidacji - Bez cichej utraty danych: wspomnienia krytyczne i o wysokiej ważności nigdy nie są automatycznie przycinane
Pamięć semantyczna (Memoirs) rejestruje ustrukturyzowaną wiedzę jako graf. Koncepcje są trwałe — są udoskonalane, nigdy nie zanikają. Użyj superseded_by do oznaczania przestarzałych faktów zamiast ich usuwania.
Przy włączonych osadzeniach ICM używa wyszukiwania hybrydowego:
- FTS5 BM25 (30%) — dopasowywanie słów kluczowych pełnotekstowe
- Podobieństwo kosinusowe (70%) — semantyczne wyszukiwanie wektorowe przez sqlite-vec
Domyślny model: intfloat/multilingual-e5-base (768d, ponad 100 języków). Konfigurowalny w pliku konfiguracyjnym:
[embeddings]
# enabled = false # Wyłącz całkowicie (bez pobierania modelu)
model = "intfloat/multilingual-e5-base" # 768d, wielojęzyczny (domyślny)
# model = "intfloat/multilingual-e5-small" # 384d, wielojęzyczny (lżejszy)
# model = "intfloat/multilingual-e5-large" # 1024d, wielojęzyczny (najlepsza dokładność)
# model = "Xenova/bge-small-en-v1.5" # 384d, tylko angielski (najszybszy)
# model = "jinaai/jina-embeddings-v2-base-code" # 768d, zoptymalizowany pod kodAby całkowicie pominąć pobieranie modelu osadzenia, użyj jednego z poniższych:
icm --no-embeddings serve # Flaga CLI
ICM_NO_EMBEDDINGS=1 icm serve # Zmienna środowiskowaLub ustaw enabled = false w pliku konfiguracyjnym. ICM przełączy się na wyszukiwanie słów kluczowych FTS5 (nadal działa, tylko bez dopasowywania semantycznego).
Zmiana modelu automatycznie odtwarza indeks wektorowy (istniejące osadzenia są czyszczone i można je regenerować za pomocą icm_memory_embed_all).
Pojedynczy plik SQLite. Brak zewnętrznych usług, brak zależności sieciowych.
~/Library/Application Support/dev.icm.icm/memories.db # macOS
~/.local/share/dev.icm.icm/memories.db # Linux
C:\Users\<user>\AppData\Local\icm\icm\data\memories.db # Windows
icm config # Wyświetl aktywną konfiguracjęLokalizacja pliku konfiguracyjnego (zależna od platformy lub $ICM_CONFIG):
~/Library/Application Support/dev.icm.icm/config.toml # macOS
~/.config/icm/config.toml # Linux
C:\Users\<user>\AppData\Roaming\icm\icm\config\config.toml # Windows
Zobacz config/default.toml dla wszystkich opcji.
ICM automatycznie wyodrębnia wspomnienia przez trzy warstwy:
Warstwa 0: Hooki wzorców Warstwa 1: PreCompact Warstwa 2: UserPromptSubmit
(zero kosztów LLM) (zero kosztów LLM) (zero kosztów LLM)
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ Hook PostToolUse │ │ Hook PreCompact │ │ UserPromptSubmit │
│ │ │ │ │ │
│ • Błędy Bash │ │ Kontekst ma być │ │ Użytkownik wysyła │
│ • Commity git │ │ skompresowany → │ │ monit → icm recall│
│ • Zmiany config │ │ wyodrębniaj │ │ → wstrzyknij kont.│
│ • Decyzje │ │ wspomnienia │ │ │
│ • Preferencje │ │ z transkryptu │ │ Agent zaczyna z │
│ • Wnioski │ │ zanim zostaną │ │ załadowanymi │
│ • Ograniczenia │ │ utracone na zawsze│ │ odpowiednimi │
│ │ │ │ │ wspomnieniami │
│ Regułowe, bez LLM │ │ Te same wzorce + │ │ │
└──────────────────┘ │ --store-raw fallbk│ └──────────────────┘
└──────────────────┘
| Warstwa | Status | Koszt LLM | Polecenie hooka | Opis |
|---|---|---|---|---|
| Warstwa 0 | Zaimplementowana | 0 | icm hook post |
Regułowa ekstrakcja słów kluczowych z wyjścia narzędzia |
| Warstwa 1 | Zaimplementowana | 0 | icm hook compact |
Ekstrakcja z transkryptu przed kompresją kontekstu |
| Warstwa 2 | Zaimplementowana | 0 | icm hook prompt |
Wstrzykiwanie przywoływanych wspomnień przy każdym monicie użytkownika |
Wszystkie 3 warstwy są instalowane automatycznie przez icm init --mode hook.
| System | Metoda | Koszt LLM | Opóźnienie | Rejestruje kompakcję? |
|---|---|---|---|---|
| ICM | Ekstrakcja 3-warstwowa | 0 do ~500 tok/sesję | 0ms | Tak (PreCompact) |
| Mem0 | 2 wywołania LLM/wiadomość | ~2k tok/wiadomość | 200-2000ms | Nie |
| claude-mem | PostToolUse + async | ~1-5k tok/sesję | 8ms hook | Nie |
| MemGPT/Letta | Agent zarządza samodzielnie | 0 marginalnie | 0ms | Nie |
| DiffMem | Diffs oparte na Git | 0 | 0ms | Nie |
ICM Benchmark (1000 wspomnień, osadzenia 384d)
──────────────────────────────────────────────────────────
Store (bez osadzeń) 1000 ops 34,2 ms 34,2 µs/op
Store (z osadzeniami) 1000 ops 51,6 ms 51,6 µs/op
Wyszukiwanie FTS5 100 ops 4,7 ms 46,6 µs/op
Wyszukiwanie wektorowe (KNN) 100 ops 59,0 ms 590,0 µs/op
Wyszukiwanie hybrydowe 100 ops 95,1 ms 951,1 µs/op
Zanikanie (wsadowe) 1 ops 5,8 ms 5,8 ms/op
──────────────────────────────────────────────────────────
Apple M1 Pro, SQLite w pamięci, jednowątkowy. icm bench --count 1000
Wielosesyjny przepływ pracy z prawdziwym projektem Rust (12 plików, ~550 linii). Sesje 2+ pokazują największe zyski, gdy ICM przywołuje zamiast ponownie czytać pliki.
ICM Agent Benchmark (10 sesji, model: haiku, uśrednione 3 przebiegi)
══════════════════════════════════════════════════════════════════
Bez ICM Z ICM Delta
Sesja 2 (przywoływanie)
Tury 5,7 4,0 -29%
Kontekst (wejście) 99,9k 67,5k -32%
Koszt $0,0298 $0,0249 -17%
Sesja 3 (przywoływanie)
Tury 3,3 2,0 -40%
Kontekst (wejście) 74,7k 41,6k -44%
Koszt $0,0249 $0,0194 -22%
══════════════════════════════════════════════════════════════════
icm bench-agent --sessions 10 --model haiku
Agent przywołuje konkretne fakty z gęstego dokumentu technicznego między sesjami. Sesja 1 czyta i zapamiętuje; sesje 2+ odpowiadają na 10 pytań faktycznych bez tekstu źródłowego.
ICM Recall Benchmark (10 pytań, model: haiku, uśrednione 5 przebiegów)
══════════════════════════════════════════════════════════════════════
Bez ICM Z ICM
──────────────────────────────────────────────────────────────────────
Średni wynik 5% 68%
Pytania zaliczone 0/10 5/10
══════════════════════════════════════════════════════════════════════
icm bench-recall --model haiku
Ten sam test z lokalnymi modelami — czyste wstrzykiwanie kontekstu, bez potrzeby użycia narzędzi.
Model Params Bez ICM Z ICM Delta
─────────────────────────────────────────────────────────
qwen2.5:14b 14B 4% 97% +93%
mistral:7b 7B 4% 93% +89%
llama3.1:8b 8B 4% 93% +89%
qwen2.5:7b 7B 4% 90% +86%
phi4:14b 14B 6% 79% +73%
llama3.2:3b 3B 0% 76% +76%
gemma2:9b 9B 4% 76% +72%
qwen2.5:3b 3B 2% 58% +56%
─────────────────────────────────────────────────────────
scripts/bench-ollama.sh qwen2.5:14b
Wszystkie benchmarki używają prawdziwych wywołań API — bez atrap, bez symulowanych odpowiedzi, bez buforowanych odpowiedzi.
- Benchmark agenta: Tworzy prawdziwy projekt Rust w katalogu tymczasowym. Uruchamia N sesji z
claude -p --output-format json. Bez ICM: pusta konfiguracja MCP. Z ICM: prawdziwy serwer MCP + automatyczna ekstrakcja + wstrzykiwanie kontekstu. - Retencja wiedzy: Używa fikcyjnego dokumentu technicznego ("Protokół Meridian"). Ocenia odpowiedzi przez dopasowywanie słów kluczowych do oczekiwanych faktów. Limit 120s na wywołanie.
- Izolacja: Każdy przebieg używa własnego katalogu tymczasowego i świeżej bazy danych SQLite. Brak trwałości sesji.
Wszystkie 17 narzędzi współdzieli tę samą bazę danych SQLite. Wspomnienie zapisane przez Claude jest natychmiast dostępne dla Gemini, Codex, Copilot, Cursor i każdego innego narzędzia.
ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent ║ Facts ║ Accuracy ║ Detail ║ Latency ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code ║ 10/10 ║ 100% ║ 5/5 ║ ~15s ║ 99 ║
║ Gemini CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~33s ║ 94 ║
║ Copilot CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~10s ║ 100 ║
║ Cursor Agent ║ 10/10 ║ 100% ║ 5/5 ║ ~16s ║ 99 ║
║ Aider ║ 10/10 ║ 100% ║ 5/5 ║ ~5s ║ 100 ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE ║ ║ ║ ║ ║ 98 ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝
Wynik = 60% dokładność przywoływania + 30% szczegółowość faktów + 10% szybkość. 98% efektywności wielu agentów.
| Możliwość | ICM | Mem0 | Engram | AgentMemory |
|---|---|---|---|---|
| Obsługa narzędzi | 17 | tylko SDK | ~6-8 | ~10 |
| Konfiguracja jednym poleceniem | icm init |
ręcznie SDK | ręcznie | ręcznie |
| Hooki (auto-przywoływanie na starcie) | 5 narzędzi | brak | przez MCP | 1 narzędzie |
| Wyszukiwanie hybrydowe (FTS5 + wektor) | 30/70 ważone | tylko wektor | tylko FTS5 | FTS5+wektor |
| Wielojęzyczne osadzenia | 100+ języków (768d) | zależne | brak | angielski 384d |
| Graf wiedzy | System Memoir | brak | brak | brak |
| Zanikanie temporalne + konsolidacja | świadome dostępu | brak | podstawowe | podstawowe |
| Dashboard TUI | icm dashboard |
brak | tak | przeglądarka web |
| Automatyczna ekstrakcja z wyjścia narzędzia | 3 warstwy, zero LLM | brak | brak | brak |
| Pętla feedbacku/korekt | icm_feedback_* |
brak | brak | brak |
| Runtime | Rust, pojedynczy plik binarny | Python | Go | Node.js |
| Lokalne, zero zależności | plik SQLite | cloud-first | SQLite | SQLite |
| Dokładność przywoływania wielu agentów | 98% | N/A | N/A | 95,2% |
| Dokument | Opis |
|---|---|
| Przewodnik integracji | Konfiguracja dla wszystkich 17 narzędzi: Claude Code, Copilot, Cursor, Windsurf, Zed, Amp, itp. |
| Architektura techniczna | Struktura crate, potok wyszukiwania, model zanikania, integracja sqlite-vec, testowanie |
| Przewodnik użytkownika | Instalacja, organizacja tematów, konsolidacja, ekstrakcja, rozwiązywanie problemów |
| Przegląd produktu | Przypadki użycia, benchmarki, porównanie z alternatywami |
Source-Available — Bezpłatna dla osób prywatnych i zespołów liczących ≤ 20 osób. Licencja korporacyjna wymagana dla większych organizacji. Kontakt: contact@rtk-ai.app