Что это
локальная долговременная память для кодовых проектов: агент записывает не только сделанное изменение, но и почему оно было сделано, с привязкой к сущностям вроде payments.amount, API route или зависимости.
Бизнес-проблема
Git показывает, кто и что изменил, но почти не сохраняет контекст решения. После десятков агентных сессий проект превращается в археологический объект.
Практическая польза
selvedge blame, history, prior_attempts и полнотекстовый поиск позволяют восстановить мотивы, прежние попытки и отменённые решения. Данные остаются в локальном SQLite внутри .selvedge/; есть MCP server, CLI, GitHub Action и экспорт в Agent Trace.
Почему интересно сейчас
около 13 stars, 0 forks, 107 commits, 0 issues, 0 PR, 10 releases, свежая v0.3.9 от 22 июня; Python 99%, MIT. Репозиторий маленький, но документация, тесты, changelog и security policy выглядят заметно взрослее счётчика звёзд.
Проверка официального репозитория, README и LICENSE выполнена 2026-07-18; эти данные относятся к текущему наблюдению и не заменяют собственный тест.
Технические особенности
Технические детали следует подтвердить по официальному README перед пилотом.
Значение для AI-Ready
internal component / strong inspiration. Риски: агент должен дисциплинированно вызывать log_change; записанное объяснение остаётся заявлением самого агента, а не объективной истиной; SQLite с reasoning может содержать секреты и клиентский контекст. Вердикт: Test now.
Риски
- Reasoning и decision context могут содержать секреты или клиентские данные.
- Запись самим агентом объяснения решения не подтверждает, что объяснение правдиво или полно.
Граница вывода
Первый тест - внутренний репозиторий без клиентских данных; включить review перед переносом записей в общую память.
Ключевые риски
- Reasoning и decision context могут содержать секреты или клиентские данные.
- Запись самим агентом объяснения решения не подтверждает, что объяснение правдиво или полно.
Разберите эту страницу со своей LLM
Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.
Можно спросить:
- Какую ограниченную задачу AI-Ready разумно проверить с помощью selvedge?
- Какие риски и условия нужно закрыть перед пилотом selvedge?