Hemos recaudado 6,5 millones de dólares para eliminar bases de datos de vectores. Hoy en día, todos los sistemas recuperan el contexto de la misma manera: búsqueda vectorial que almacena todo como incrustaciones planas y devuelve lo que "se siente" más cercano. Similar, claro. ¿Relevante? Casi nunca. Los embebidos no pueden distinguir una cláusula de renovación de Q3 de un aviso de terminación Q1 si el lenguaje es lo suficientemente cercano. Un amigo mío preguntó a su IA sobre un contrato la semana pasada, y me devolvió una respuesta detallada y perfectamente elaborada extraída del archivo de un cliente completamente diferente. Cuando tratas con documentos 10M+, estos errores ocurren constantemente. La precisión de VectorDB se va al traste. Construimos @hydra_db precisamente para esto. HydraDB construye un grafo de contexto centrado en la ontología sobre tus datos, mapea las relaciones entre las entidades, entiende el 'por qué' detrás de los documentos y sigue cómo evoluciona la información a lo largo del tiempo. Así que cuando preguntas por 'Apple', sabe que te refieres a la empresa a la que sirves como cliente. No la fruta. Incluso cuando la puntuación de similitud de una base de datos vectorial es 0,94. Más abajo ⬇️

La memoria no es solo una característica de la IA, es la diferencia entre un sistema que responde y uno que realmente entiende. En el primer episodio de The Long Walk, @kamath_sutra y yo profundizamos en cómo la memoria está moldeando a la próxima generación de agentes de voz y por qué se está volviendo fundamental para los flujos de trabajo empresariales reales.