跳转至

FluctlightDB：面向 AI Agent 的数据内存模型

文章背景与核心概要

在过去五十年的数据系统发展中，关系型模型（基于谓词匹配）和向量模型（基于相似度搜索）占据了主导地位。然而，现代 AI Agent 需要在长会话中进行基于线索驱动（cue-driven）和溯源加权（provenance-weighted）的记忆召回，现有的数据模型在处理此类任务时存在天然的局限性。

本文提出了 FluctlightDB，旨在将 AI Agent 的长期记忆视为一种独立的数据模型。该模型引入了独特的写入语义（编码、分离、整合、溯源）和读取语义（跨链接记忆图的线索驱动激活）。FluctlightDB 作为一个嵌入式引擎，通过 experience() 和 activate() 接口实现了这一契约，为 AI Agent 提供了一种更符合认知逻辑的记忆存储与检索方案。

摘要

For fifty years, data systems have answered two questions. The relational model asked which records match a predicate; the vector model asked which vectors lie nearest a query. Neither was built for cue-driven, provenance-weighted recall across long sessions. We propose treating long-term agent memory as a distinct data model -- with its own write semantics (encoding, separation, consolidation, provenance) and read semantics (cue-driven activation across a linked memory graph) -- and present FluctlightDB, an embedded engine that implements this contract via experience() and activate(). We make that case carefully, not categorically: we do not claim novelty over Mem0, Zep, or HippoRAG-style memory layers, only an embedded engine contract beneath them. On LoCoMo (official evidence-recall metric; 10 conversations, 1,982 gold spans), CHORUS recalls 99.0% on an internally reproduced July 2026 run. On LongMemEval-S (500 questions, official session_recall@8), our retrieval harness scores 97.6% (488/500); end-to-end QA with our reader/judge stack scores 97.4% (487/500) -- these layers use different protocols than vendor leaderboard figures we cite for context only. On BEIR SciFact (shared MiniLM embeddings, same harness, Recall Fabric on), CHORUS/PRISM edges Chroma on nDCG@10 (0.646 vs. 0.645) and Recall@10 (0.792 vs. 0.783). We also report a small author-designed regression suite (FAMB; paraphrase n=10, other sub-tests n=1) at 100% macro -- internal validation, not peer benchmark. Strangers can verify the engine in under a minute via pip install "fluctlightdb[native]" and a minimal connect() -> experience() -> activate() script (compiled wheel, not source-only). Harnesses and frozen JSON are MIT-licensed. We claim no new neuroscience and no new transformer; we propose a missing layer of the data stack and release an engine others can reproduce and contest.

在过去五十年里，数据系统主要回答了两个问题：关系模型询问哪些记录匹配谓词；向量模型询问哪些向量最接近查询。两者都不是为长会话中基于线索驱动、溯源加权的召回而构建的。我们建议将长期 Agent 记忆视为一种独特的数据模型——具有其自身的写入语义（编码、分离、整合、溯源）和读取语义（跨链接记忆图的线索驱动激活）——并提出了 FluctlightDB，这是一个通过 experience() 和 activate() 实现该契约的嵌入式引擎。我们谨慎而非绝对地提出这一观点：我们并不声称在 Mem0、Zep 或 HippoRAG 风格的记忆层之上具有创新性，仅声称其下方的嵌入式引擎契约具有创新性。在 LoCoMo（官方证据召回指标；10 个对话，1,982 个黄金跨度）上，CHORUS 在 2026 年 7 月的内部复现运行中召回率为 99.0%。在 LongMemEval-S（500 个问题，官方 session_recall@8）上，我们的检索工具得分 97.6%（488/500）；使用我们的阅读器/判断器堆栈进行的端到端 QA 得分 97.4%（487/500）——这些层使用的协议与我们仅为背景而引用的供应商排行榜数据不同。在 BEIR SciFact（共享 MiniLM 嵌入，相同工具，开启 Recall Fabric）上，CHORUS/PRISM 在 nDCG@10（0.646 对 0.645）和 Recall@10（0.792 对 0.783）上略胜 Chroma。我们还报告了一个作者设计的回归套件（FAMB；释义 n=10，其他子测试 n=1），宏观得分为 100%——这是内部验证，而非同行基准。用户可以通过 pip install "fluctlightdb[native]" 和一个最小化的 connect() -> experience() -> activate() 脚本（编译后的 wheel 包，而非仅源代码）在不到一分钟内验证该引擎。工具和冻结的 JSON 采用 MIT 许可。我们不声称有新的神经科学或新的 Transformer；我们提出了数据栈中缺失的一层，并发布了一个其他人可以复现和质疑的引擎。

基准性能亮点

  • LoCoMo 基准： CHORUS 实现了 99.0% 的证据召回率（10 个对话，1,982 个黄金跨度）。
  • LongMemEval-S： 检索工具得分为 97.6%（488/500）；端到端 QA 得分为 97.4%（487/500）。
  • BEIR SciFact： CHORUS/PRISM 在 nDCG@10（0.646 vs. 0.645）和 Recall@10（0.792 vs. 0.783）上略微领先于 Chroma。
  • FAMB 回归套件： 100% 宏观内部验证（释义 \(n=10\)，其他子测试 \(n=1\)）。
  • LoCoMo Benchmark: CHORUS achieves 99.0% evidence recall (10 conversations, 1,982 gold spans).
  • LongMemEval-S: Retrieval harness scores 97.6% (488/500); end-to-end QA scores 97.4% (487/500).
  • BEIR SciFact: CHORUS/PRISM edges Chroma on nDCG@10 (0.646 vs. 0.645) and Recall@10 (0.792 vs. 0.783).
  • FAMB Regression Suite: 100% macro internal validation (paraphrase \(n=10\), other sub-tests \(n=1\)).

快速验证

用户可以使用预编译的 wheel 包在不到一分钟内独立验证该引擎：

Users can independently verify the engine in under a minute using the pre-compiled wheel:

pip install "fluctlightdb[native]"

随后执行最小化的脚本序列：connect() \(\rightarrow\) experience() \(\rightarrow\) activate()

Followed by a minimal script execution sequence: connect() \(\rightarrow\) experience() \(\rightarrow\) activate()

license icon

license icon