Hermes + Neo4j: AI Agent için Semantik Memory Sistemi

AI Agent’lar için Neden Semantik Hafıza Şart?

Geleneksel LLM’ler her konuşmada sıfırdan başlar — bağlam pencereleri bittiğinde tüm bilgi kaybolur. Production’da bu büyük bir sorun:

• Kullanıcı aynı tercihi tekrar tekrar söylüyor
• Agent her seferinde aynı hataları yapıyor
• Kurumsal bilgi asla öğrenilemiyor

Semantik hafıza bu sorunu çözüyor: Agent, önceki konuşmalardan anlam çıkararak kalıcı bilgi depoluyor.

Mimari: Hermes + Neo4j + Voyage AI

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   Hermes Agent   │────▶│  Voyage AI        │────▶│   Neo4j Aura     │
│   (Terminal)     │     │  (Embedding)      │     │   (Graph DB)     │
└─────────────────┘     └──────────────────┘     └─────────────────┘
         │                       │                        │
    Kullanıcı sorgusu    Embedding üretir         Vektör saklama +
    Bağlam yükler        1024 boyutlu             graf ilişkileri
                         cümle vektörleri         semantik arama

Bileşenler

Kurulum

1. Neo4j AuraDB Oluşturma

# Neo4j AuraDB Free tier oluştur
# https://neo4j.com/cloud/aura/
# Instance aldıktan sonra connection bilgilerini not edin

2. Hermes Neo4j Memory Kurulumu

# Memory dizini oluştur
mkdir -p ~/hermes-neo4j-memory/

# Neo4j connection bilgilerini yapılandır
hermes setup
# Neo4j URI, username, password girin

3. Voyage AI Embedding

Voyage AI, 1024 boyutlu vektör üretir — geleneksel OpenAI ada-002’nin (1536) daha optimize edilmiş versiyonu:

# Embedding oluşturma
from voyageai import Client

voyage = Client(api_key="Voyage_API_KEY")
embedding = voyage.embed(
    texts=["Kullanıcı Türkçe konuşmayı tercih ediyor"],
    model="voyage-2"
).embeddings[0]
# Sonuç: 1024 boyutlu float array

Kullanım Örnekleri

1. Memory Saklama

# Kullanıcı tercihini kaydet
memory.save(
    content="Kullanıcı Telegram üzerinden iletişim kuruyor",
    context="user preference",
    user_id="eray"
)

2. Semantik Arama

# Benzer deneyimleri bul
results = memory.search(
    query="Kullanıcı hangi platformu tercih ediyor?",
    user_id="eray",
    limit=5
)
# → Semantik eşleşme ile ilgili memories döner

3. Graf Sorguları

// Neo4j sorgusu — ilişkili memories
MATCH (m:Memory)-[:RELATED_TO]->(related:Memory)
WHERE m.embedding_similarity > 0.85
RETURN m.content, related.content, m.embedding_similarity
ORDER BY m.embedding_similarity DESC
LIMIT 10

Performans Karşılaştırması

Real-World Kullanım: Hermes Agent

Hermes’te memory şöyle çalışıyor:

1. Otomatik Kayıt: Her “X’i hatırla” ifadesi memory’e eklenir
2. Bağlam Enjeksiyonu: Her mesajda ilgili memories otomatik yüklenir
3. Kendini Güncelleme: Yanlış bilgi tespit edildiğinde memory güncellenir
4. Skill Saklama: Çözülen problemler ‘skill’ olarak kaydedilir

Örnek etkileşim:

Kullanıcı: "Türkçe yanıt ver"
Hermes: (Memory'ye kaydeder: user.language=Türkçe)

Sonraki oturum:
Hermes: (Memory'den yükler) "Daha önce Türkçe tercih ettiğinizi biliyorum"

Local-First Avantajları

Sonuç

Hermes + Neo4j + Voyage AI kombinasyonu:

• ✅ Semantik arama ile %94 doğruluk
• ✅ Graf ilişkileri ile bağlamsal bellek
• ✅ Local-first gizlilik
• ✅ Ollama fallback ile tam otonomi
• ✅ Ücretsiz tier ile başlangıç

AI agent’ınızın hafızası, aslında sizin uzun vadeli zekânızdır. 🧠

Kaynaklar

• Hermes Agent
• Neo4j AuraDB
• Voyage AI
• Ollama
• Qwen3.5 Model