Kami telah mengumpulkan $6,5 juta untuk mematikan database vektor. Setiap sistem saat ini mengambil konteks dengan cara yang sama: pencarian vektor yang menyimpan semuanya sebagai penyematan datar dan mengembalikan apa pun yang "terasa" paling dekat. Serupa, tentu saja. Relevan? Hampir tidak pernah. Penyematan tidak dapat membedakan klausul perpanjangan Q3 dari pemberitahuan penghentian Q1 jika bahasanya cukup dekat. Seorang teman saya bertanya kepada AI-nya tentang kontrak minggu lalu, dan itu mengembalikan jawaban terperinci dan dibuat dengan sempurna yang diambil dari file klien yang sama sekali berbeda. Setelah Anda berurusan dengan 10 juta + dokumen, kekacauan ini terjadi sepanjang waktu. Akurasi VectorDB menjadi kotoran. Kami membangun @hydra_db untuk hal ini. HydraDB membangun grafik konteks yang mengutamakan ontologi atas data Anda, memetakan hubungan antar entitas, memahami 'mengapa' di balik dokumen, dan melacak bagaimana informasi berkembang dari waktu ke waktu. Jadi ketika Anda bertanya tentang 'Apple', itu tahu yang Anda maksud adalah perusahaan yang Anda layani sebagai pelanggan. Bukan buahnya. Bahkan ketika skor kesamaan DB vektor mengatakan 0,94. Selengkapnya di bawah ini ⬇️

Memori bukan hanya fitur dalam AI, ini adalah perbedaan antara sistem yang merespons dan sistem yang benar-benar memahami. Dalam episode pertama The Long Walk, @kamath_sutra dan saya menyelami bagaimana memori membentuk agen suara generasi berikutnya, dan mengapa memori menjadi penting untuk alur kerja perusahaan yang sebenarnya.