9,000+

โทเค็นต่อคำค้นหา ก่อน xMemory

~4,700

โทเค็นต่อคำค้นหา หลัง xMemory

ลดโทเค็น ~50% + ความแม่นยำดีขึ้น

ระบบหน่วยความจำเดียวที่ช่วยประหยัดเงินและทำให้ AI ฉลาดขึ้น

ปัญหา: ทำไม RAG ทั่วไปถึงใช้ไม่ได้กับ AI Agent

RAG ทั่วไปถูกสร้างมาสำหรับฐานข้อมูลเอกสารขนาดใหญ่ที่มีเนื้อหาหลากหลายมาก AI Agent ต้องเจอกับสิ่งที่ยากกว่ามาก: สตรีมบทสนทนาที่ต่อเนื่องและสัมพันธ์กัน ซึ่งส่วนของข้อความมีความคล้ายคลึงกันสูง

ปัญหาผลไม้ตระกูลส้ม: ผู้ใช้พูดว่า "ฉันชอบส้ม" "ฉันชอบส้มแมนดาริน" และแยกกันพูดถึงว่าอะไรนับเป็นผลไม้ตระกูลส้ม RAG ทั่วไปถือว่าทั้งหมดใกล้เคียงกันทางความหมาย — และดึงข้อมูลสำเนา "ความชอบผลไม้ตระกูลส้ม" 10 ชุด ในขณะที่พลาดข้อเท็จจริงเกี่ยวกับประเภทที่แท้จริงที่จำเป็นในการตอบคำถาม Agent ขาดข้อมูลบริบทที่มีอยู่แล้ว

ทำไมวิธีแก้ไขที่มีอยู่ถึงทำให้แย่ลง

ทีมวิศวกรรมมักจะเลือกใช้การตัดแต่งหรือบีบอัดหลังการดึงข้อมูล — กรองสัญญาณรบกวนหลังการดึงข้อมูล ฟังดูสมเหตุสมผล แต่วิธีนี้ใช้ไม่ได้กับ AI Agent เพราะบทสนทนาของมนุษย์มีการ "พัวพันเชิงเวลา":

• การอ้างอิงข้าม: "มัน" และ "นั่น" เชื่อมโยงกับบริบทก่อนหน้า

• การละความ: คำที่หายไปซึ่งจะเข้าใจได้เมื่อมีประโยคก่อนหน้า

• การพึ่งพาลำดับเวลา: ข้อเท็จจริงที่สำคัญเมื่ออยู่ในลำดับเท่านั้น

เครื่องมือตัดแต่งอาจลบส่วนของบทสนทนาที่สำคัญโดยไม่ตั้งใจ AI สูญเสียเส้นทาง คำตอบกลายเป็นไม่ต่อเนื่อง คุณจ่ายค่าโทเค็นเหล่านั้นแล้วไม่ได้อะไรเลย

xMemory: ลำดับชั้นหน่วยความจำ 4 ระดับ

นักวิจัยจาก King's College London และ The Alan Turing Institute สร้าง xMemory — กรอบงานที่จัดระเบียบบทสนทนาเป็นลำดับชั้นความหมายที่ค้นหาได้ แทนที่จะทิ้งทุกอย่างลงในบริบท

4

ระดับธีม

หัวข้อและหมวดหมู่ระดับสูง — เริ่มค้นหาที่นี่

3

ระดับความหมาย

ข้อเท็จจริงที่กลั่นแล้วใช้ซ้ำได้ — ความรู้หลัก ไม่ซ้ำ

2

ระดับตอน

บล็อกสรุปที่ต่อเนื่องกันของการสนทนา

1

ข้อความดิบ

สตรีมการสนทนาต้นฉบับ

นวัตกรรมหลัก: การปิดกั้นความไม่แน่นอน (Uncertainty Gating)

💡 ความคล้ายคลึงเชิงความหมายเป็นสัญญาณสำหรับสร้างตัวเลือก ความไม่แน่นอนเป็นสัญญาณสำหรับตัดสินใจ

— Lin Gui, ผู้เขียนร่วม, King's College London

ระบบดั้งเดิมดึงข้อมูลตาม ความคล้ายคลึง เพียงอย่างเดียว xMemory เพิ่มประตูที่สอง: ความไม่แน่นอน หลังจากพบตัวเลือก มันจะถามว่า "การเพิ่มสิ่งนี้ช่วยลดความไม่แน่นอนของฉันเกี่ยวกับคำตอบได้จริงหรือไม่?" ถ้าไม่ มันจะหยุด นี่คือเหตุผลที่ xMemory ให้ความแม่นยำสูงกว่าด้วยจำนวนโทเค็นที่น้อยกว่า

ความคล้ายคลึง บอกคุณว่าอะไรอยู่ใกล้ ความไม่แน่นอน บอกคุณว่าอะไรคุ้มค่าที่จะจ่ายในงบประมาณพรอมต์

xMemory กับทางเลือกอื่น ๆ

ระบบ โครงสร้าง ความซ้ำซ้อน ความแม่นยำ ต้นทุน Flat RAG (MemGPT) บันทึกดิบ สูง หลุดบ่อย สูง Structured RAG (A-MEM) ลำดับชั้น/กราฟ ปานกลาง ปานกลาง ปานกลาง xMemory ⭐ 4 ระดับ + ประตูความไม่แน่นอน ต่ำ ดีขึ้น -50%

สิ่งนี้หมายถึงอะไรสำหรับ Coding Agents

สำหรับโค้ดดิ้งเอเยนต์ AI ที่ทำงานเวิร์กโฟลว์หลายเซสชัน xMemory สามารถนำไปใช้ได้โดยตรง:

✅ เอเยนต์สามารถรักษาความจำโครงการที่สอดคล้องกันตลอดการทำงาน หลายชั่วโมงหรือหลายวัน โดยไม่ต้องเพิ่มบริบทจนเกินขนาด

✅ การตัดสินใจโค้ดที่เกี่ยวข้องจากเซสชันก่อนหน้าถูกเรียกคืน โดยไม่ต้องใส่ประวัติทั้งหมดอีกครั้ง

✅ โทเค็นน้อยลงต่อการสอบถาม = ค่า API ต่ำลง + การตอบสนองเร็วขึ้น

✅ ความแม่นยำสูงขึ้นเพราะการสนทนาที่ไม่เกี่ยวข้องถูกแยกออกโดยโครงสร้าง ไม่ใช่แค่ตัดทิ้ง

หยุดจ่ายค่าโทเค็นที่คุณไม่ต้องการ

อนาคตของหน่วยความจำ AI ไม่ใช่หน้าต่างบริบทที่ใหญ่ขึ้น — แต่เป็นการดึงข้อมูลที่ชาญฉลาดกว่า xMemory พิสูจน์ว่าคุณสามารถมีทั้งสองอย่าง: ต้นทุนที่น้อยลงและคำตอบที่ดีกว่า

งานวิจัย: xMemory (arXiv:2602.02007) — King's College London & The Alan Turing Institute | ผ่าน VentureBeat แท็ก: #xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI