WorldDB: Memory-Engine, der Vektordatenbank und Weltgraph vereint

WorldDB ist eine neue Memory-Engine für KI-Agenten, die eine Vektordatenbank mit einem Graphen verschachtelter Welten und einer Ontologie kombiniert. Das Papier wurde von Harish Santhanalakshmi Ganesan verfasst und bietet eine Lösung für die bekannten Probleme von RAG-Systemen (Retrieval-Augmented Generation) bei der langfristigen Agenten-Erinnerung.

Das Problem, das es löst

Standard-RAG-Ansätze basieren auf einer Vektordatenbank — einer Struktur, die Text in numerische Vektoren umwandelt und ähnliche Chunks über mathematische Abstände sucht. Der Autor hebt drei Schwächen solcher Systeme hervor. Erstens werden Fakten in unverbundene Chunks zerlegt und verlieren den größeren Kontext. Zweitens geht die Identität von Entitäten zwischen Sitzungen verloren — derselbe Nutzer oder dasselbe Produkt kann als fünf verschiedene Einträge erscheinen. Drittens gibt es keinen eingebauten Mechanismus für Supersession (Ersetzen alter Informationen durch neue) oder die Lösung von Widersprüchen. Das Ergebnis ist ein Agent, der sich gegenseitig widersprechende Fakten „erinnert” und dem Nutzer inkonsistente Antworten liefert.

Drei architektonische Säulen

WorldDB basiert auf drei Prinzipien. Das erste sind rekursive World Nodes — jeder Knoten ist ein Container mit eigenem internem Teilgraphen, ontologischem Geltungsbereich (Ontologie = formale Beschreibung von Begriffen und Beziehungen in einer Domäne) und Vektoreinbettung, rekursiv bis zu beliebiger Tiefe. Die zweite Säule ist Content-Addressed Immutability — Knoten sind unveränderlich, und jede Änderung erzeugt einen neuen Hash durch den Knoten und seine Vorfahren und bildet einen Merkle-style Audit Trail (kryptografischer Verlaufsbaum, wie er in Bitcoin verwendet wird). Die dritte Säule sind verhaltensbasierte Edge-Typen — Kanten im Graphen sind nicht nur Bezeichnungen, sondern „Programme beim Schreiben” mit Handlern für Einfüge-, Lösch- und Überschreiboperationen, einschließlich Supersession, Widerspruch und Zusammenführungsvorschlägen.

Ergebnisse auf LongMemEval-s

Auf dem LongMemEval-s-Benchmark, der das langfristige Agenten-Gedächtnis misst, erreicht WorldDB 96,40 % Gesamtgenauigkeit und 97,11 % aufgaben-gemittelt. Das sind 5,61 Prozentpunkte über Hydra DB und 11,20 über Supermemory. Besonders herausragend sind die Ergebnisse beim temporalen Schlussfolgern (96,24 %) und bei Wissensaktualisierungen (98,72 %). Für Entwicklungsteams, die KI-Assistenten mit langer Gesprächshistorie bauen, könnte WorldDB eine ernsthafte Alternative zu klassischem RAG über einem flachen Vektorspeicher darstellen.