Cara membuat AI mengingatmu di setiap percakapan

Setiap large language model itu stateless secara desain. Begitu percakapan berakhir, context window — memori kerja model itu — dibuang begitu saja. Modelnya sendiri tidak belajar apa pun tentang kamu di antara sesi: ia tidak dilatih ulang dari chat-mu, dan tidak menyimpan file pribadi tentangmu di dalam bobotnya (weights). Apa pun "ingatan" yang kamu rasakan itu dibangun di sekitar model, bukan di dalamnya.

Perbedaan ini penting, karena artinya memori adalah pilihan rekayasa yang dibuat oleh siapa pun yang menjalankan asistenmu. Dan saat ini ada tepat empat cara untuk membuatnya.

Opsi 1 — Memori bawaan di chatbot cloud

ChatGPT, Claude, Gemini, dan lainnya kini punya fitur memori: asisten diam-diam menyimpan fakta-fakta terpilih ("suka jawaban ringkas", "mengelola studio tato di Bali") dan menyisipkannya ke chat berikutnya. Ini bekerja, dan untuk penggunaan santai biasanya cukup.

Batasannya bersifat struktural. Kamu tidak menentukan apa yang disimpan atau dibuang — heuristik vendor yang menentukan. Kapasitasnya terbatas. Memorinya tersimpan di server vendor, tunduk pada kebijakan retensi vendor, dan satu keputusan produk — atau satu penandaan akun — bisa menghapusnya semalam. Itu memori tentang kamu yang bukan milikmu.

Opsi 2 — Konteks manual: notebook copy-paste

Akal-akalan paling lama: menyimpan dokumen berisi konteksmu ("tentang aku, proyekku, stack-ku, gaya bicaraku") dan menempelkannya di awal setiap sesi. Beberapa tool sudah memformalkan ini — custom instructions, project files, system prompt.

Gratis dan jujur, tapi tidak scalable. Dokumennya jadi usang, kamu mengurusnya secara manual, dan ia hanya menangkap apa yang terpikir olehmu untuk dituliskan — tidak pernah hal-hal yang muncul dari seratus percakapan dan diam-diam ternyata penting.

Opsi 3 — Memory API dan RAG (jalur developer)

Kalau kamu membangun tooling sendiri, kamu bisa menempelkan memori eksternal ke model mana pun: simpan potongan percakapan di database, ubah jadi vector (embedding), dan ambil yang relevan ke dalam konteks di setiap request (retrieval-augmented generation). Startup memory-as-a-service menjual persis ini sebagai API.

Ini arsitektur yang benar — begitulah cara memori persisten sungguhan bekerja. Tapi sebagai proyek DIY, ini butuh waktu rekayasa, dan kalau pakai memory API yang di-hosting, kamu menciptakan ulang masalah kepemilikan dari Opsi 1: konteks hidupmu yang terkumpul kini tersimpan di cloud milik orang lain.

Opsi 4 — Asisten self-hosted dengan database memori yang kamu miliki

Solusi yang tahan lama adalah menjalankan lapisan asisten sendiri dan menyimpan memorinya sebagai database biasa di server milikmu sendiri. Modelnya tetap bisa jadi model cloud kelas atas (kamu tidak bisa self-host bobot model kelas atas — lapisan agen-lah yang kamu host), tapi semua yang diketahui asisten tentang kamu tersimpan dalam file yang kamu kendalikan.

Begini cara Avelina AI dibangun. Memorinya adalah database SQLite di VPS-mu dengan lapisan-lapisan bertipe — fakta tentang kamu, jurnal kejadian, pelajaran dari kesalahan, worldview yang terus berkembang — plus pencarian full-text dan vector di seluruh riwayat percakapan. (Kenapa lapisan bertipe lebih unggul daripada satu file catatan datar dibahas di artikelnya sendiri.) Tanya "apa yang kita putuskan soal halaman harga di bulan Mei?" dan asistennya mencari di catatan masa lalunya sendiri, bukan mengangkat bahu.

Ongkos sebenarnya dari lupa

Menggoda untuk menganggap amnesia AI sebagai gangguan kecil. Padahal ongkosnya menumpuk. Kamu menjelaskan ulang konteks — lima belas menit yang sama, setiap sesi. Saran tetap generik, karena asisten yang tidak tahu riwayatmu hanya bisa memberi jawaban yang sama untuk siapa saja. Pekerjaan jangka panjang jadi berantakan: keputusan yang dibuat di bulan Maret diam-diam diperdebatkan ulang di bulan Juli. Dan kalau kamu memakai asisten untuk bisnis, lupa konteks klien bukan sekadar gangguan kecil — itu uang.

Lebih parah lagi, akal-akalan yang dipakai orang — menempel konteks pribadi yang makin banyak ke chatbot cloud — berarti mengirim dosier hidupmu yang makin lengkap ke pihak ketiga, sesi demi sesi. Kalau memori penting bagimu, di mana memori itu tersimpan harus sama pentingnya.

Bagaimana memori yang dimiliki sendiri bekerja dalam praktik

Gambaran konkretnya, pakai Avelina AI sebagai contoh (arsitekturnya bisa digeneralisasi):

Fakta baru dari percakapan diekstrak dan ditulis ke database secara otomatis — tanpa perlu mantra "ingat ini". Setiap percakapan diarsipkan dan diindeks untuk pencarian full-text dan semantik. Kesalahan dicatat sebagai lessons, jadi koreksi yang kamu buat sekali tidak terulang bulan depan. Sebelum menjawab pertanyaan soal masa lalu, asistennya diwajibkan mencari catatannya sendiri alih-alih mengarang — itulah beda antara memori dan konfabulasi.

Dan karena semuanya adalah database di servermu: kamu bisa membukanya, membacanya, mem-backup-nya, mengekspornya, atau menghapusnya. Tanpa formulir permintaan. Tanpa perlu percaya begitu saja.

Opsi mana yang sebaiknya kamu pilih?

Kalau kamu memakai AI secara santai beberapa kali seminggu — memori bawaan di cloud (Opsi 1) sudah cukup; cukup pahami batasannya. Kalau kamu developer yang menikmati urusan infrastruktur — Opsi 3 adalah proyek akhir pekan yang solid, dan lebih. Kalau kamu ingin memori persisten yang kamu miliki tanpa harus membangunnya sendiri — asisten self-hosted (Opsi 4) adalah satu-satunya jalur yang memberikan keduanya sekaligus: terpasang di VPS seharga ~$5–15/bulan, bicara denganmu lewat Telegram, dan memorinya terus tumbuh selama bertahun-tahun karena tak ada siapa pun selain kamu yang bisa mereset-nya.

FAQ

Bisakah ChatGPT mengingatku di setiap percakapan?
Sebagian — lewat fitur Memory-nya. Tapi itu dikendalikan vendor: kapasitasnya terbatas, datanya tersimpan di server OpenAI, dan kamu tidak bisa memverifikasi apa yang disimpan atau dihapus.

Apakah memori AI berarti modelnya dilatih ulang dari datamu?
Tidak. Memori persisten adalah lapisan di luar model: database yang entri relevannya dimuat ke konteks setiap request. Model tidak dilatih ulang di antara sesi-sesimu.

Di mana memori disimpan di asisten self-hosted?
Di database di servermu sendiri — dalam kasus Avelina AI, SQLite di VPS-mu dengan pencarian full-text dan vector atas semua yang diketahuinya.

Bisakah aku menghapus apa yang diingat AI tentangku?
Self-hosted: bisa, sepenuhnya dan bisa diverifikasi — itu file yang kamu miliki. Cloud: kamu bisa meminta, tapi tidak bisa memeriksanya.

Berapa biayanya?
VPS kecil (~$5–15/bulan) plus pemakaian model. Lapisan memorinya sendiri hanyalah database lokal — tidak menambah biaya apa pun.