WorldDB: 벡터 데이터베이스와 세계 그래프를 결합한 메모리 엔진

WorldDB는 AI 에이전트를 위한 새로운 메모리 엔진으로 벡터 데이터베이스를 중첩된 세계 그래프 및 온톨로지와 결합합니다. 논문은 Harish Santhanalakshmi Ganesan이 작성했으며, 장기적인 에이전트 메모리에서 RAG 시스템(검색 증강 생성)의 알려진 문제에 대한 해결책을 제공합니다.

해결하는 문제

표준 RAG 접근 방식은 벡터 데이터베이스에 기반합니다. 텍스트를 수치 벡터로 변환하고 수학적 거리로 유사한 청크를 검색하는 구조입니다. 저자는 이러한 시스템의 세 가지 약점을 지적합니다.

첫째, 사실이 연관성 없는 청크로 분할되어 더 넓은 맥락을 잃습니다. 둘째, 엔티티 정체성이 세션 간에 사라집니다. 동일한 사용자나 제품이 다섯 가지 다른 레코드로 나타날 수 있습니다. 셋째, 슈퍼세션(오래된 정보를 새로운 정보로 교체)이나 모순 해결을 위한 내장 메커니즘이 없습니다. 결과적으로 에이전트는 서로 충돌하는 사실을 「기억」하고 사용자에게 일관성 없는 응답을 제공합니다.

세 가지 아키텍처 기둥

WorldDB는 세 가지 원칙에 기반해 구축되었습니다. 첫 번째는 재귀적 세계 노드입니다. 각 노드는 자체적인 내부 서브 그래프, 온톨로지적 범위(온톨로지 = 도메인 내 개념과 관계의 형식적 설명), 벡터 임베딩을 가진 컨테이너이며 임의의 깊이까지 재귀적입니다.

두 번째 기둥은 콘텐츠 주소 지정 불변성입니다. 노드는 불변이며 각 변경은 노드와 그 조상을 통해 새로운 해시를 생성하여 Merkle 스타일의 감사 추적(비트코인이 사용하는 암호화 역사 트리)을 형성합니다.

세 번째 기둥은 행동 유형 엣지입니다. 그래프의 엣지는 단순한 레이블이 아니라 삽입, 삭제, 덮어쓰기 쿼리를 위한 핸들러를 가진 「쓰기 시의 프로그램」이며, 슈퍼세션, 모순, 병합 제안을 포함합니다.

LongMemEval-s 결과

장기적인 에이전트 메모리를 측정하는 LongMemEval-s 벤치마크에서 WorldDB는 96.40%의 전체 정확도와 97.11%의 작업 평균 정확도를 달성합니다. 이는 Hydra DB보다 5.61 포인트, Supermemory보다 11.20 포인트 높습니다. 시간적 추론(96.24%)과 지식 업데이트(98.72%)에서 특히 두각을 나타냅니다.

긴 대화 기록을 가진 AI 어시스턴트를 구축하는 개발 팀에게 WorldDB는 평면 벡터 저장소 위의 기존 RAG에 대한 진지한 대안이 될 수 있습니다.