AI记忆系统突破99%准确率:用Agent完全替代向量数据库
向量数据库可能不是AI记忆的最优解。Supermemory团队在长期记忆基准测试LongMemEval(对话历史11.5万token)上达到99%准确率,核心突破在于完全抛弃向量检索,改用多智能体协作系统ASMR。该方案通过让AI进行“认知理解”而非计算“数学相似度”来回忆信息,不需要外部向量数据库,理论上可部署至任何设备,包括机器人。
01传统RAG的痛点:向量检索的局限
传统RAG(检索增强生成)的问题主要出在检索环节。基于语义相似度的匹配机制难以区分“旧事实”与“新更正”,当检索结果中混杂过多噪音时,大模型容易迷失方向,无法提取准确信息。
02解决方案:ASMR架构与Agent协作
Supermemory提出的ASMR(Agentic Search and Memory Retrieval)架构利用多Agent协作替代传统检索,分为信息摄取与智能检索两个阶段。
- 信息摄取阶段
3个并行Observer Agent读取对话记录,按照个人信息、偏好、事件、时间数据等6个维度提取知识点,直接存储为结构化内容,不生成Embedding。 - 智能检索阶段
面对提问时不查询数据库,而是派出3个专门的搜索Agent:一个负责找直接事实,一个负责挖隐含语境,一个负责重建时间线。Agent通过“主动阅读和推理”获取信息,而非进行向量余弦计算。
03实测验证:多策略回答准确率对比
| 测试策略 | 具体机制 | 准确率 |
|---|---|---|
| 并行专家组 | 8个高度专业化的Prompt变体(如精确计数专家、时间专家等)并行运行,任一路径答对即成功。 | 98.6% |
| Agent投票裁决 | 12个Agent独立作答后,由一个聚合器LLM综合投票裁决。 | 97.2% |
LongMemEval基准测试结果对比
04技术意义与应用前景
技术价值分析
认知理解优势
处理复杂记忆任务的核心竞争力
- 能够处理时间序列中的矛盾、更新和细微差别
- 超越数学表层模式捕捉,实现深度信息理解
部署架构优势
硬件与环境的适配性
- 完全在内存中运行,不依赖外部向量数据库
- 理论上可部署到任何设备,包括机器人
当前文章无评论,是时候发表评论了