01
What is temporal validity in AI agent memory?
It is knowing which facts are still true after knowledge evolves. MemStrata retires contradicted values with a deterministic supersession rule — no similarity threshold, no LLM on the read path.
Open source · Local d’abord
Arrêtez d’envoyer tout votre code à l’IA à chaque requête.
MemStrata est la couche de contexte locale pour les outils de code IA. Utilisateur médian : 42% de tokens d’entrée en moins par rapport au RAG, $14 par mois récupérés.
Cœur gratuit et open source. Remboursé si les économies de Pro ne dépassent pas votre abonnement.
Tableau de bord — onglet Argent
live
Saved this month ▲ +12% vs last
$14.62
Tokens vs. RAG 42%
Recall 87%
Precision 64%
24h survival 73%
Works with the tools you already use
Cursor Claude Code VS Code Windsurf Cline JetBrains Aider Copilot Cursor Claude Code VS Code Windsurf Cline JetBrains Aider Copilot
Capabilities
Built like a research product. Feels like magic.
Bento layout of the moat — hover any tile for a spotlight interaction.
Temporal validity ~0% stale-fact error
RAG has no model of time. We do.
Deterministic (subject, relation, object) supersession retires stale facts in a bi-temporal ledger — AUROC 0.59 proves cosine cannot tell contradiction from duplicate.
Explore Local-first 100% local index
Your code stays here
SQLite + DuckDB on-device. License check is a signed JWT only.
Explore Latency ~2.1s retrieval
Embedding floor, not LLM tax
No model on the read path. ~2.1s vs 16–18s for rerankers.
Explore Token economics 42% vs naive RAG
Median 42% fewer input tokens
Compress context per turn. Watch dollars tick up on the local Money tab — money-back if Pro savings fall short.
Explore Integrations 11+ tool surfaces
Cursor · Claude Code · VS Code · more
MCP, harness, and extension paths — honest coverage matrix, no oversell.
Explore Research P1–P5 portfolio
Five papers. One temporal spine.
From arXiv temporal validity through SWE-bench longitudinal, value-change ceilings, detect-and-flag logic bulk, and world-knowledge generalization.
Explore Scrollytelling
Scroll the story of temporal memory
Sticky visual layer · glass panels · research-backed answers
02
Why does RAG serve stale facts?
When a fact changes, old and new embeddings sit next to each other (cosine AUROC ~0.59 for contradiction vs duplicate). RAG retrieves both and has no structural way to choose the current value.
03
How is MemStrata different from Mem0 or Graphiti?
Same-stack local 7B tests show MemStrata’s CERTAIN spine at 1.000 on supersession and TEMPO axes. We optimize for never confidently wrong on evolved knowledge — not just long-dialogue recall leaderboards.
04
Does this cut AI coding token costs?
Yes. Median users see ~42% fewer input tokens vs naive RAG, with live savings on a local dashboard. Pro includes a money-back guarantee if measured savings fall short.
Workflow
Comment ça marche
Trois étapes. Moins de 60 secondes avant les premières économies.
Installez MemStrata en local
pipx install memstrata-pro memstrata init
~60 secondes, entièrement local
Codez comme d’habitude
MemStrata construit un graphe de votre code et compresse le contexte à chaque requête IA — automatiquement, en arrière-plan.
Regardez vos économies grimper
Le tableau de bord en direct affiche les tokens et les dollars économisés par tour, avec le détail des quatre métriques.
Telemetry
Nous mesurons ce que nous vous économisons
Les quatre chiffres sont sur votre tableau de bord local. Pas de « jusqu’à X% » — seulement votre télémétrie réelle.
42%
Tokens économisés vs RAG
Médiane des utilisateurs actifs. Votre tableau de bord affiche votre chiffre exact.
Computed per AI turn: actual tokens sent ÷ what a naive top-5 BM25+embedding RAG pipeline would have sent. 42% is the cross-user median.
Full methodology →
87%
Rappel de récupération
Médiane par tour — entités citées par l’IA présentes dans notre contexte.
After each turn, MemStrata parses the AI response for referenced symbols/files and checks how many were in the context it provided.
Full methodology →
64%
Précision de récupération
Médiane par tour — entités fournies que l’IA a réellement utilisées.
High precision means focused context, not padding. Low precision shows up as higher token costs — caught and surfaced in the dashboard.
Full methodology →
73%
Survie des éditions à 24 h
Médiane par session — éditions de l’IA encore présentes 24 h plus tard.
Tracks whether AI-suggested edits survive the next day of development. A proxy for suggestion quality — bad suggestions get reverted quickly.
Full methodology →
Méthodologie complète : comment chaque métrique est calculée →
Integrations
Compatible avec votre stack ?
Matrice de compatibilité honnête. Avec ses réserves — nous ne survendons pas les écosystèmes fermés.
| Tool | MCP | Harness | Extension |
|---|---|---|---|
| Cursor | — | ||
| Windsurf | — | ||
| VS Code | — | ||
| Claude Code | — | ||
| Cline | — | ||
| Continue.dev | |||
| JetBrains AI | — | — | |
| GitHub Copilot Chat | — | ||
| Aider | — | — | |
| Codex CLI | — | — | |
| Zed | — |
No tools match your search.
Satisfait ou remboursé
Auto-credited if savings < subscription cost
Nous ne gagnons que lorsque nous vous faisons économiser
À la fin de chaque cycle de facturation, nous additionnons vos économies mesurées sur le tableau de bord. Si elles sont inférieures au coût de votre abonnement, nous créditons la différence sur votre prochaine facture. Sans formulaire ni ticket — c’est automatique et figure sur votre reçu.
Si vous n’utilisez pas MemStrata pendant un mois, vous ne devez rien. Nous ne gagnons que lorsque nous vous faisons réellement économiser.
Privacy
Votre code ne quitte jamais votre machine
Le serveur de licences vérifie votre abonnement via un jeton signé — rien d’autre.
Your machine — all local
AI tool
Claude Code, Cursor, VS Code…
Core
MemStrata harness
localhost:8080
compresses context
Your LLM provider
Anthropic, OpenAI, Ollama…
Local SQLite + DuckDB
· index.db · telemetry.db — your code stays here
License server
memstrata.dev/lic
Pricing
Une tarification simple et honnête
Gratuit et open source pour toujours. Les offres payantes ajoutent le harness actif et la garantie de remboursement.
Gratuit
Open source $0 pour toujours
Le cœur open source sous licence MIT. À vous pour toujours.
- Open-source MIT core
- Local MCP server
- Local dashboard
- Browser extension — chat capture
- Community support (GitHub)
Le plus populaire
Pro
$14.99 CAD /mo
+ taxes
Le harness de contexte actif + le moteur de mémoire V6.
- Everything in Free
- Active context harness — all AI tools
- VS Code + browser augmentation
- V6 memory engine — verified retrieval
- Money tab — full savings metrics
- 60-day money-back guarantee
Pro+
$16.99 CAD /mo
+ taxes
Tout Pro, plus la génération d’outils V7.
- Everything in Pro
- V7 tool autogeny — auto tool gen + JIT routing
- Earliest access to new engines
- Priority support
Utilisez le cœur gratuit et open source pour toujours — sans compte. Comparaison complète →
Research
Backed by science — not vibes
Temporal validity, marker-free evaluation, and a five-paper program on agent memory under knowledge evolution.
0.59
Cosine AUROC
~0%
Stale-fact error
0.95–1.0
Evolving accuracy
~2.1s
Retrieval latency
1 Published arXiv preprint · cs.CL / cs.AI
Temporal Validity in Retrieval Memory: Eliminating Stale-Fact Errors for AI Agents over Evolving Knowledge
Deterministic supersession that RAG cannot match by construction
RAG gives agents access to accumulated knowledge but has no model of time. When a fact changes, cosine similarity surfaces both stale and current values nearly equally (AUROC 0.59 for contradiction vs duplicate). MemStrata stores facts like RAG, then retires contradicted values with a deterministic (subject, relation, object) supersession rule in a bi-temporal ledger — no similarity threshold, no LLM on the read path. Across six local benchmarks with a 7B model, MemStrata ties RAG on static knowledge and reaches 0.95–1.00 accuracy on evolving knowledge where RAG reaches 0.20–0.47. Stale-fact-error drops from 15–40% (RAG, when forced to answer) to ~0%.
- Cosine AUROC 0.59 — similarity cannot separate contradictions from duplicates
- Evolving knowledge accuracy 0.95–1.00 vs RAG 0.20–0.47
- Stale-fact-error ~0% vs RAG 15–40% when required to answer
- Retrieval ~2.1s (embedding floor) vs ~16–18s LLM-rerank baselines
temporal validitystale-fact errorbi-temporal ledgerRAG
Blog
All 10 posts → Explainers that drive SEO & understanding
Product + research
8 min read Paper 1, 2
Cut AI Coding Token Costs with Local Context Compression (Without Sending Your Repo Upstream)
MemStrata is the local context layer for AI coding tools: median 42% fewer input tokens vs naive RAG, money-back on Pro, and research-backed temporal memory so cheaper context is still correct context.
token costs AI coding local-first
Competitive analysis
11 min read Paper 1, 4, 5
MemStrata vs Mem0, Graphiti, and Letta: Same-Stack Comparison on Temporal Axes
Apples-to-apples local 7B evaluation: MemStrata’s deterministic supersession hits 1.000 on MemArch supersession/poisoning/TEMPO axes where flat RAG and several agent-memory systems still serve stale values.
Mem0 Graphiti Letta
Paper 2
8 min read Paper 2, 1
SWE-bench Longitudinal: Temporal Memory Beats RAG on Real Code Histories
On 130 marker-free scenarios extracted from SWE-bench Lite/Verified buggy→fixed histories, MemStrata temporal_v6 hits 0.908 accuracy vs ~0.57 RAG — with stale-fact-error 0.023 vs 0.262.
SWE-bench code agents benchmarks
Ship more. Spend less on tokens.
Install in under a minute. Keep coding the way you already do. Watch the savings compound — with research-backed temporal memory underneath.