Slutt på evighetssløsingen: Slik bygger Dirge faktisk minne inn i AI-koding

La meg være direkte: De fleste AI-kodingsverktøy oppfører seg som konsulenter som aldri har møtt deg før. Hver samtale starter fra null. Hver gang. Du bruker tid på å gjenta deg selv, på å minne verktøyet om hvordan kodebasen din ser ut, hvilke mønstre du liker, hvilke verktøy du foretrekker.

Irriterende? Ja. Beregnet? Tydeligvis.

Dirge prøver å løse akkurat dette. Dette er ikke nok en innpakning rundt en LLM – det er et system som faktisk bryr seg om kontekst.

Liten og kjapp

Det første som slår deg med Dirge er hvor lite plass det tar. Rundt 8 MB RAM når det sitter stille. En binærfil på 36 MB. Ingen runtime-avhengigheter.

Til sammenligning: Electron-baserte alternativer tygger gjerne gigabyte med RAM før du har skrevet én linje kode.

Grensesnittet er terminalen først – bygget med ratatui og crossterm. Tastaturbasert, raskt, informasjonstett. Live token streaming, grenbasert samtaltre, konfigurerbare informasjonsruter. Akkurat det du trenger når du jobber.

En agent som ikke gir opp

Her blir det interessant. De fleste agenter sender bare en prompt og kjører verktøy. Dirge håndterer virkeligheten.

Modeller kan hallusinere verktøykall. De kan mislykkes med JSON. De kan tolke filstier feil. Vanlige agenter krasjer, looper evig, eller spytter ut rot som du må rydde opp i manuelt.

Dirge reparerer malformed verktøykall. Den validerer alle filskrivinger gjennom tree-sitter før noe treffer disken. Den har sikkerhetsbrytere for gjentatte løkker.

Men den virkelige fordelen? Når en modell stadig feiler, gir ikke Dirge bare opp. Den injiserer et recovery-sjekkpunkt, foreslår hva modellen sannsynligvis mente, og hvis det ikke fungerer, eskalerer den automatisk til en sterkere modell.

Minne som faktisk varer

Navnet «dirge» er ikke tilfeldig. En dirge er en sang for de døde – en sang for å hjelpe dem med å finne veien.

Dirge gjør det samme med prosjektkontekst.

Systemet bruker to minnenivåer. Et varmt nivå holder fakta direkte tilgjengelig for modellen. Resten legges i en søkbar breadcrumb-indeks. I tillegg kommer et globalt, tverrprosjekt-minne for personlige preferanser – kodeformatering, mønstre, irritasjonsmomenter. Dette vedvarer på tvers av både prosjekter og økter.

Etter hver økt trekker en post-session-orchestrator ut læringspunkter og kuraterer minne og ferdigheter. Brukte du tjue minutter på å debugge et tricky Rust lifetime-problem med et spesifikt mønster? Dirge husker det.

Lange økter bruker durable, inkrementelt oppdaterte sjekkpunkter festet til en stabil identitet. Når du gjenopptar en komprimert økt, får du tilbake live tilstand – ikke en gammel, utdatert kopi.

Fleksibel routing

Dirge låser deg ikke til én AI-leverandør. Du får støtte for OpenAI, Anthropic, DeepSeek, Gemini, Ollama, OpenRouter og GLM – pluss enhver OpenAI-kompatibel endepunkt.

Det smarte: Du kan rute ulike oppgaver til ulike modeller. Hovedløkken, review-fasen, eskalering, summering og subagent-roller kan peke til forskjellige modeller. Billig og rask modell for rutineoppgaver, sterkere modell for komplekse refaktoreringer – dette er bare en konfigurasjonssak.

Sikkerhet uten kompromiss

Sikkerhetsmotoren i Dirge er sentralisert: ett Policy Decision Point med fire moduser, operasjonsbaserte regler og session allowlister. Kommandoen /why viser nøyaktig hvilken policy som traff en avgjørelse og hvorfor.

For de ekstra paranoide: sandbox-modus lar deg kjøre bash-kommandoer isolert med bubblewrap for en namespacet jail, eller bruke hardware-isolerte libkrun microVMs.

Alvorlig utvikling, innebygd

Phased planning kjører explore → plan → implement → review som kontekst-isolerte faser. En read-only agent kartlegger koden, en annen utarbeider planen, deretter kjører en write-disabled reviewer koden og mater hull tilbake for en avgrenset retry.

Spec-driven workflow sporer endringer som SQLite-rader – ikke skjøre markdownfiler. Proposals, requirement-deltaer og oppgavesjekklister med ekte status. Det som er aktivt blir alltid injisert i konteksten, og arkivering danner et varig minne.

Kodeintelligens kommer fra tree-sitter-integrasjon, med inline LSP-diagnostikk for tipluss språk rett i verktøyoutput. Ingen flere «prøv denne fiksen... build feiler... prøv igjen»-løkker.

Og trenger du å debugge? Dirge har en innebygget Debug Adapter Protocol-klient som snakker med ekte debuggere – sett breakpoints, steg gjennom kode, inspiser stacks og variabler – rett fra agentløkken.

Utvidbart fra grunnen av

Janet plugin-systemet kobler seg til hele livssyklusen: fang opp verktøy, omskriv prompts, registrer kommandoer. Det er også støtte for Claude-kompatible skills lastet på demand. MCP/ACP-støtte betyr at Dirge kan være både verktøyleverandør og -konsument.

Konklusjonen

Dirge prøver ikke å være det mest flashy AI-verktøyet. Det prøver å være det mest pålitelige.

Minne som varer, feilhandtering som faktisk fungerer, token-effektiv I/O, fleksibel multi-provider-støtte – alt dette legger opp til en agent som jobber med deg over tid i stedet for å nullstille hver gang.

For utviklere som er lei av å starte på scratch, for startups som trenger konsistent AI-assistanse uten leverandørlåsing, og for alle som har blitt brent av en AI som glemte alt viktig – Dirge er verdt et blikk.

Installer med én linje fra crates.io (cargo install dirge-agent), sett en API-nøkkel, og begynn å kode.

En dirge var en sang for å huske de døde. Dirge, kodeagenten, er et system for å sørge for at din AI aldri glemmer hva dere har bygget sammen.