FlowElement-ai/m_flow
A bio-inspired cognitive memory engine — a new paradigm for Graph RAG.
해결하는 문제
기존의 RAG 시스템은 종종 단순한 벡터 유사성에 의존하며, 이는 의미적으로는 가깝지만 문맥적으로는 관련이 없는 키워드를 찾을 수 있습니다. M-flow는 검색을 단순한 근접 일치가 아닌 추론 및 연관 문제로 취급함으로써 이 문제를 해결하며, 검색된 정보가 일관된 증거 체인을 통해 연결되도록 보장합니다.
작동 방식
M-flow는 지식을 4단계의 계층적 "Cone Graph"로 구성합니다:
- Episode: 사건이나 결정과 같은 제한된 의미적 초점.
- Facet: Episode의 주제별 단면.
- FacetPoint: 원자적 주장 또는 사실.
- Entity: 에피소드 전반에 걸쳐 연결된 명명된 객체(사람, 도구, 지표).
단순히 벡터를 매칭하는 대신, 시스템은 그래프를 스코어링 엔진으로 사용합니다. 쿼리는 벡터 검색을 통해 엔트리 포인트(앵커)를 찾고, 시스템은 의미적으로 가중치가 부여된 에지(edge)를 따라 증거를 전파합니다. 최종 결과는 쿼리와 정보를 연결하는 가장 강력하고 비용이 낮은 추론 경로에 의해 점수가 매겨진 "Episode bundle"입니다.
대상
- AI 에이전트 개발자: 지속적이고 장기적인 에피소드 및 절차적 메모리가 필요한 에이전트를 구축하는 개발자.
- 엔터프라이즈 지식 관리: 긴 대화 동안 문맥을 유지하기 위해 복잡한 의존성 및 상호 참조(예: "그녀"가 "Maria"를 지칭함을 아는 것)를 해결해야 하는 시스템.
- 멀티 사용자 시스템 구축 개발자: 생체 인식 ID를 통해 사용자 데이터를 격리하기 위해 얼굴 인식 메모리 파티셔닝을 활용하는 개발자.
주요 특징
- 그래프 주도 검색: 평면적인 유사성 랭킹 대신 구조화된 그래프에 대한 경로 비용 최적화를 사용합니다.
- 상호 참조 해결: 검색 공백을 방지하기 위해 데이터 수집 단계에서 대명사를 구체적인 엔티티로 해결합니다.
- 다중 그래뉴러리티(Multi-granularity) 지원: 쿼리가 임의의 수준(Entity, Facet 또는 Episode)에서 시작하여 계층을 탐색할 수 있도록 합니다.
- 절차적 메모리: 재사용 가능한 지식을 위해 추상적인 패턴, 워크플로우 및 결정 규칙을 캡처합니다。
- 광범위한 통합: 50개 이상의 파일 형식과 Neo4j, LanceDB, PostgreSQL를 포함한 다양한 데이터베이스를 지원합니다.