WorldDB：ベクターデータベースと世界グラフを融合したメモリエンジン

WorldDBはAIエージェント向けの新しいメモリエンジンで、ベクターデータベースをネストされた世界グラフとオントロジーと組み合わせています。論文はHarish Santhanalakshmi Ganesanが執筆しており、長期的なエージェントメモリにおけるRAGシステム（検索拡張生成）の既知の問題に対する解決策を提供しています。

解決する問題

標準的なRAGアプローチはベクターデータベースに基づいています。テキストを数値ベクトルに変換し、数学的距離で類似のチャンクを検索する構造です。著者はこのようなシステムの3つの弱点を指摘しています。

第一に、事実が無関係なチャンクに分割され、より広いコンテキストが失われます。第二に、エンティティの同一性がセッション間で消えてしまいます——同一のユーザーや製品が5つの異なるレコードとして現れる可能性があります。第三に、スーパーセッション（古い情報を新しい情報で置き換えること）や矛盾の解決のための組み込みメカニズムがありません。結果として、エージェントは互いに矛盾する事実を「記憶」し、ユーザーに一貫性のない応答を提供します。

3つのアーキテクチャの柱

WorldDBは3つの原則に基づいて構築されています。第一は再帰的ワールドノード——各ノードは独自の内部サブグラフ、オントロジー的スコープ（オントロジー = ドメイン内の概念と関係の形式的記述）、ベクター埋め込みを持つコンテナであり、任意の深さまで再帰的です。

第二の柱はコンテンツアドレス指定の不変性——ノードは不変であり、各変更はノードとその祖先を通じて新しいハッシュを生成し、Merkleスタイルの監査証跡（Bitcoinが使用する暗号学的履歴ツリー）を形成します。

第三の柱は行動型エッジタイプ——グラフのエッジは単なるラベルではなく、挿入、削除、上書きクエリのハンドラを持つ「書き込み時のプログラム」であり、スーパーセッション、矛盾、マージ提案を含みます。

LongMemEval-sでの結果

長期的なエージェントメモリを測定するLongMemEval-sベンチマークにおいて、WorldDBは96.40%の総合精度と97.11%のタスク平均精度を達成しています。これはHydra DBより5.61ポイント、Supermemoryより11.20ポイント上回っています。時系列推論（96.24%）と知識更新（98.72%）において特に際立っています。

長い会話履歴を持つAIアシスタントを構築している開発チームにとって、WorldDBはフラットなベクターストレージ上の従来のRAGに対する真剣な代替案となり得ます。