Zebraliśmy 6,5 miliona dolarów, aby zlikwidować bazy danych wektorowych. Każdy system dzisiaj pozyskuje kontekst w ten sam sposób: wyszukiwanie wektorowe, które przechowuje wszystko jako płaskie osadzenia i zwraca to, co "wydaje się" najbliższe. Podobne, pewnie. Istotne? Prawie nigdy. Osadzenia nie potrafią odróżnić klauzuli odnowienia Q3 od powiadomienia o wypowiedzeniu Q1, jeśli język jest wystarczająco zbliżony. Mój przyjaciel zapytał swoje AI o umowę w zeszłym tygodniu, a to zwróciło szczegółową, doskonale skonstruowaną odpowiedź wyciągniętą z zupełnie innego pliku klienta. Gdy masz do czynienia z ponad 10 milionami dokumentów, takie pomyłki zdarzają się cały czas. Dokładność VectorDB spada na psy. Zbudowaliśmy @hydra_db właśnie w tym celu. HydraDB buduje kontekstowy graf ontologiczny nad twoimi danymi, mapuje relacje między podmiotami, rozumie 'dlaczego' za dokumentami i śledzi, jak informacje ewoluują w czasie. Więc kiedy pytasz o 'Apple', wie, że masz na myśli firmę, której jesteś klientem. A nie owoc. Nawet gdy wynik podobieństwa bazy danych wektorowej wynosi 0,94. Więcej poniżej ⬇️

Pamięć to nie tylko funkcja w AI, to różnica między systemem, który reaguje, a takim, który naprawdę rozumie. W pierwszym odcinku The Long Walk, @kamath_sutra i ja zagłębiamy się w to, jak pamięć kształtuje nową generację agentów głosowych i dlaczego staje się kluczowa dla rzeczywistych procesów biznesowych.