WorldDB: memorijski engine koji spaja vektorsku bazu i graf svjetova

WorldDB je novi memorijski engine namijenjen AI agentima koji kombinira vektorsku bazu podataka s grafom ugniježđenih svjetova i ontologijom. Rad potpisuje Harish Santhanalakshmi Ganesan i nudi rješenje za poznate probleme RAG sustava (Retrieval-Augmented Generation) pri dugotrajnoj agentnoj memoriji.

Problem koji rješava

Standardni RAG pristupi temelje se na vektorskoj bazi — strukturi koja tekst pretvara u numeričke vektore i traži slične dijelove po matematičkoj udaljenosti. Autor ističe tri slabosti takvih sustava. Prvo, činjenice se lome na nepovezane dijelove (chunks) i gube širi kontekst. Drugo, identitet entiteta nestaje između sesija — isti korisnik ili proizvod može se pojaviti kao pet različitih zapisa. Treće, ne postoji ugrađen mehanizam za supersession (zamjenu stare informacije novom) ili rješavanje kontradikcija. Rezultat je agent koji “pamti” međusobno sukobljene činjenice i korisniku isporučuje nekonzistentne odgovore.

Tri arhitekturna stupa

WorldDB je sagrađen na tri načela. Prvi su rekurzivni World Nodes — svaki čvor je kontejner s vlastitim internim podgrafom, ontološkim opsegom (ontologija = formalni opis pojmova i odnosa u domeni) i vektorskim ugrađivanjem, rekurzivan do proizvoljne dubine. Drugi stup je content-addressed immutability — čvorovi su nepromjenjivi, a svaka izmjena generira novi hash kroz čvor i pretke, tvoreći Merkle-style audit trail (kriptografski stablo povijesti kakvo koristi Bitcoin). Treći stup su bihevioralni tipovi bridova — rubovi grafa nisu samo oznake nego “programi u trenutku pisanja” s handlerima za umetanje, brisanje i prepisivanje upita, uključujući supersession, kontradikciju i prijedloge spajanja.

Rezultati na LongMemEval-s

Na benchmark-u LongMemEval-s, koji mjeri dugoročnu agentnu memoriju, WorldDB postiže 96,40% ukupne točnosti i 97,11% uprosječene po zadatku. To je 5,61 postotnih bodova iznad Hydra DB-a i 11,20 iznad Supermemoryja. Posebno se ističe u temporalnom zaključivanju (96,24%) i ažuriranju znanja (98,72%). Za razvojne timove koji grade AI asistente s dugom poviješću razgovora, WorldDB može biti ozbiljna alternativa klasičnom RAG-u nad flat vektorskim spremnikom.