A memóriaprobléma, amit minden vibe coder ismer

Ha valaha is dolgoztál AI-alapú kódoló asszisztsekkel komolyabb projekteken, biztosan belefutottál ebbe: minél hosszabb a munkamenet, annál többet felejt el az agent. A kontextus összetömörödik, a korábbi döntések eltűnnek, és egyszer csak harmadszor magyarázod el a projekt struktúráját. A Xiaomi új nyílt forráskódú eszköze, a MiMo Code arra fogad, hogy a tartós memória a megoldás – és a cég ingyenessé tette, hátha a közösség is így gondolja.

Mit tud valójában a MiMo Code

A MiMo Code egy terminálban működő AI kódoló asszisztens, amely az open-source OpenCode agent keretrendszerre épül. A Xiaomi egyedi memória architektúrával egészítette ki, ami SQLite FTS5 full-text search segítségével tartja meg a kontextust munkamenetek között. A rendszer négy különálló rétegen működik: projektmemória egy állandó MEMORY.md fájlban, munkamenet checkpointok, gyors jegyzetek és feladatonkénti folyamatnaplók.

A lényeg az architektúrában rejlik: a MiMo Code egy dedikált "checkpoint-writer" alagentet használ, amely dokumentál, miközben a fő kódoló agent folytatja a munkát. Gondolj úgy rá, mint egy projektépítészre, aki valós időben frissíti a terveket, míg az építőbrigád dolgozik – mindenki naprakész marad, megállás nélkül.

Van egy /dream parancs is, amely időszakosan átnézi a korábbi munkameneteket, deduplikálja és tömöríti a tanulságokat hosszú távú memóriává. Emellett egy "distill" funkció, amely a korábbi munkamenetekből kinyeri az ismétlődő munkafolyamatokat és automatizálja azokat – ez olyan megközelítés, amit az OpenAI és az Anthropic is elkezdett alkalmazni a saját modelljeinél.

A benchmark háború

A Xiaomi elég impresszív számokat kommunikál. A publikált eredmények szerint a MiMo Code a MiMo-V2.5-Pro modellel együtt jobban teljesített, mint a Claude Code Claude Sonnet 4.6-tal három standard értékelésen:

• SWE-bench Verified: 82% vs. 79%
• SWE-bench Pro: 62% vs. 55%
• Terminal Bench 2: 73% vs. 69%

Még érdekesebb, hogy a Xiaomi állítása szerint a vizsgálati keretrendszer itself körülbelül öt százalékpontot tesz ki ebből a előnyből. Ugyanazt a MiMo-V2.5-Pro modellt futtatva mindkét keretrendszerben mérhető különbségek mutatkoztak pusztán az agent rendszer architektúrájából.

Azonban a versenytársak köre árnyaltabb, mint amit a Xiaomi előnyben részesített benchmarkjai sugallnak. Az OpenAI Codex CLI GPT-5.5-tel 82.2%-ot ér el a hivatalos Terminal-Bench ranglistán – körülbelül kilenc ponttal a MiMo Code saját 73%-a felett. Viszont a SWE-Bench Pro-nál a MiMo Code állítólagos 62%-a meg előzi az OpenAI 58.6%-os GPT-5.5 eredményét.

Érdemes megjegyezni, hogy a Xiaomi minden anyagában csak a Claude Code-dal hasonlítja össze magát, kerüli az OpenAI Codex vagy a Google Gemini CLI közvetlen összehasonlítását. Ez a szelektív benchmarking figyelemre méltó, amikor értékeled az állításokat.

Hogyan kezdj neki

A MiMo Code már elérhető a GitHub-on MIT licenc alatt. A telepítés egyszerű:

macOS és Linux:

curl -fsSL https://mimo.xiaomi.com/install | bash

Windows:

npm install -g @mimo-ai/cli

A Xiaomi korlátozott ideig ingyenes hozzáférést is kínál a MiMo-V2.5-höz, a multimodal flagship modelljükhöz egymillió tokenes context window-val – regisztráció nélkül.

Miért fontos ez a fejlesztői munkafolyamatoknak

A memóriaprobléma nem elhanyagolható. A vibe coderek számára, akik komolyabb projekteken dolgoznak, a context loss hosszú munkamenetek során olyan súrlódást okoz, ami aláássa az AI kódoló agentek által ígért produktivitási előnyöket. Az iparág nagyrészt context window problémaként kezelte ezt – nagyobb ablakok, jobb tömörítés –, de a Xiaomi megközelítése egy másik utat sugall: explicit tárolás és visszakeresés, amely eldönti, melyik információ számít és mikor kell előhívni.

Hogy a MiMo Code konkrét implementációja bizonyul-e fölényben, az még kérdéses, de az alapvető tézis – hogy a tartós memória architektúra komoly mérnöki figyelmet érdemel – megalapozottnak tűnik. A nyílt forráskódú kiadás lehetőséget ad a közösségnek, hogy validálja a megközelítést nagy léptékben.

Azoknak a fejlesztőknek, akikUn fed up with re-explaining their projects to AI assistants, ez talán érdemes egy pillantásra. Az egymillió tokenes context window a tartós cross-session memóriával párosítva tényleg megváltoztathatja a vibe coding élményt – ha a benchmarkok a valóságban is tartják magukat.