FlowElement-ai/m_flow

A bio-inspired cognitive memory engine — a new paradigm for Graph RAG.

解決的問題

傳統的 RAG 系統通常依賴於簡單的向量相似性，這可能會找到語義接近但上下文無關的關鍵字。M-flow 透過將檢索視為推理與關聯問題，而非僅僅是鄰近匹配，從而解決了這個問題，確保檢索到的資訊透過連貫的證據鏈連接在一起。

工作原理

M-flow 將知識組織成四層分層「錐形圖」（Cone Graph）：

  • Episode: 受限的語義焦點，如事件或決策。
  • Facet: Episode 的主題切面。
  • FacetPoint: 原子斷言或事實。
  • Entity: 跨 Episode 連結的命名對象（人、工具、指標）。

系統不僅僅是進行向量匹配，而是將圖作為評分引擎。查詢透過向量搜尋找到入口點（錨點），然後系統沿著語義加權的邊傳播證據。最終結果是一個「Episode bundle」，其評分基於連接查詢與資訊的強度最高、成本最低的推理路徑。

適用對象

  • AI Agent 開發者：構建需要持久、長期情境記憶和程序化記憶的 Agent。
  • 企業知識管理：需要解決複雜的依賴關係和指代消解（例如，知道「她」指的是「Maria」）以在長對話中保持上下文的系統。
  • 構建多用戶系統的開發者：利用人臉感知記憶分區，透過生物識別身份來隔離用戶數據。

亮點

  • 圖驅動檢索：在結構化圖上使用路徑成本優化，而非扁平的相似性排名。
  • 指代消解：在攝取過程中將代詞解析為具體的實體，以防止檢索空白。
  • 多粒度支持：允許查詢從任何層級（Entity、Facet 或 Episode）進入並導航層級結構。
  • 程序化記憶：捕獲抽象模式、工作流和決策規則，以實現知識復用。
  • 廣泛的集成：支持 50 多種檔案格式和包括 Neo4j、LanceDB 和 PostgreSQL 在內的多種資料庫。