聞樂 發自 凹非寺量子位 | 公眾號 QbitAI
Claude Code 原始碼洩漏的餘波，仍在 AI 圈持續發酵！
說起來還挺反常，Claude 幾乎 Contribute 了所有 RAG 記憶專案，結果洩漏的程式碼卻顯示——
它自己根本沒在用主流的 RAG 技術？？
這就很矛盾了，Anthropic 在官方文件和技術部落格裡，一直明確提到支援 RAG 檢索。
而它「棄用」傳統 RAG 的玩法，其實恰恰也說明了一個問題：現有的 RAG 解決方案，效能並沒有達標。
從 2023 年起，混合檢索就成了記憶引擎的標配邏輯，向量 + 關鍵字、加權排序……這些套路不斷迭代。
但隨著 AI 記憶場景越來越複雜，傳統 RAG 的瓶頸也徹底暴露，明明叫記憶引擎，卻還在乾著搜尋引擎的活兒，只會匹配相似文字，做不到真正的理解，更談不上聯想推理。
那怎麼辦？答案很簡單——
推倒，重來。
回頭看 AI 記憶的演化路徑，脈絡其實非常清晰：
第一代是直接硬塞全量上下文，就像通讀日記；第二代依靠向量 + 關鍵字匹配，類似查字典，可是只能找到相似內容，抓不住真實關聯；
現在，第三代記憶模式已經來了。
能夠自主聯想、推理、跨結構建立關聯的認知模型。
中國團隊自研架構領跑 Benchmark
讓 AI 能夠實現推理與聯想，大家都知道跨粒度記憶的有效組織是關鍵。
簡單點說就是讓 AI 能同時處理細顆粒的事實和粗顆粒的上下文，還能在它們之間自由跳轉（切換關聯）。
但這個問題正是 2023 到 2026 年間，整個記憶引擎行業難以突破的核心瓶頸。
不過最近，我們觀察到一個平均年齡 19 歲的中國年輕團隊，心流元素，給出了可行解法——
M-FLOW，憑藉自研的圖路由 Bundle Search 架構，實作了 benchmark 的現象級領先。
對比 Mem0、Graphiti、Cognee 等主流方法，M-FLOW 在多輪對話、長期記憶、多跳推理三大核心場景下，效能優勢顯著。
對齊 Mem0 的官網 benchmark 測試（LoCoMo），領先 Mem0 36%； 對齊 Graphiti 的官網 benchmark 測試（LongMemEval），領先 Graphiti 16%； 在長期事件演變測試（EvolvingEvents）中，領先 Cognee 7%，領先 Graphiti 20%。
△測試未做任何篩選，採用行業通用 Benchmark
深度測評之後，可以更清晰地看到在覆蓋寫入、檢索、預處理、知識組織等環節等 29 項能力維度中，M-FLOW 在絕大多數關鍵維度上都實作了完整支援。（下圖可上下滑動完整查看）
尤其在圖增強檢索、指代消解、多粒度索引等決定記憶品質的核心能力上表現突出。
這份成績的背後，其實可以看到的是 M-FLOW 架構帶來的系統性優勢：
檢索環節不依賴 LLM，能夠實作毫秒級回應； 在超大記憶量場景下，依然能保持接近常規 Benchmark 的穩定表現； 業內首個支援指代消解的記憶引擎，讓 AI 對資訊的理解更貼合人類思維（指代消解是指能區分事件中的「他」和「它」）。
而且基本沒什麼使用門檻，部署流程非常簡單，在具備 Docker 環境時只需要一行程式碼就能完成接入。
當然了，雖然上手簡單，但在部署之前，咱也先說說大家好奇的問題：
M-FLOW 是怎麼做到的？
答案其實還是開頭的那句話：推倒，重來。
與當前行業裡大量同質化的記憶方案不同，M-FLOW 並不是用 LLM 輔助檢索來抬高 Benchmark 分數，也不是簡單疊加功能。
準確說，它是從根本上重構了 AI 記憶的組織與使用體系。
讓記憶會關聯、能推理
事實上，所有 RAG 系統都會面臨的一個問題是，給定使用者查詢，如何精準定位儲存的相關知識？
主流方案的邏輯很直接，就是將文件切塊、向量化後存入向量庫，檢索時按餘弦相似度排序。
這種方式本質上只回答「哪段文字和查詢語意最接近」這一個層次的問題，對簡單事實查找的效果還不錯，但在複雜場景中會完全失效，因為：
答案跨文件分布：文件切塊間缺乏結構性連接，無法將分散在不同文件中的關聯資訊整合； 查詢與儲存粒度不匹配：巨觀問題檢索到瑣碎片段，微觀問題匹配到籠統摘要； 同實體異語境割裂：兩份文件討論同一實體但語境不同時，向量空間中距離遙遠，無法建立關聯。
究其原因，是因為平坦向量檢索丟棄了知識的內在結構。
它能判斷文字與查詢的相似度，卻完全不清楚這段文字在整個知識體系中的拓樸位置。
在這一點上，M-FLOW 以圖路由檢索替代傳統平坦檢索，核心邏輯圍繞分層知識拓樸展開，其核心洞察是：
不止找到「匹配的文字」，更要定位匹配點所屬的完整知識結構，再對整個結構進行評分。
倒錐結構設計
M-FLOW 將所有攝入的知識組織為一個四層有向圖，形成一個倒錐（inverted cone）：
這個結構的方向性是反直覺的：在傳統的知識圖譜或分類樹中，越往下越具體。
但在 M-FLOW 中，搜尋的「入口在錐尖」（細粒度的 Entity 和 FacetPoint 是最容易被向量搜尋精確命中的），而搜尋的「目標在錐底」（Episode 是最終返回給使用者的知識單元）。
資訊流從尖銳的匹配點向下匯聚到寬廣的語意落點。
這打破了「從上到下瀏覽」的傳統檢索範式。
使用者不是在層級中逐層縮小範圍，而是系統在最尖銳的點上捕獲信號，然後沿圖結構向下傳播到它所歸屬的完整語意單元。
這是一個從細到粗的過程，先在最尖銳的點上捕獲信號精準瞄準，然後沿圖結構向下傳播到它所歸屬的完整語意單元。
圖路由 Bundle Search 的工作方式
當查詢到達時，系統不是簡單地找到最近的節點。
它透過評估圖中所有可能到達每個 Episode 的路徑，找到最優的 Episode。
階段一：在錐尖廣撒網
查詢被向量化後，同時在七個向量集合中搜尋，從錐尖到錐底覆蓋每一層。每個集合返回最多 100 個候選。
最容易被精確命中的是錐尖處的節點，一個 Entity 名稱、一個 FacetPoint 的斷言。
這些細粒度錨點的語意極度聚焦，向量距離小。
錐底的 Episode 摘要也可能被命中，但因為語意更寬泛，匹配通常不如錐尖精確。
階段二：投影到圖中
這些錨點被用作進入知識圖譜的入口節點。
系統提取它們周圍的子圖，邊、鄰居、連接關係，然後擴充套件一跳鄰居。
這將一組孤立的向量命中點轉化為一個連通的拓樸結構。
階段三：從錐尖向錐底傳播代價
這是核心步驟，也是圖路由 Bundle Search 的本質——
在錐尖捕獲信號，沿圖邊向錐底傳播，在 Episode 處匯聚評分。
對於子圖中的每個 Episode，系統評估從錨點到達它的所有可能路徑：
每條路徑的代價由三部分構成：
起始代價，錨點的向量距離（信號的尖銳程度）； 邊代價，沿途每條邊的向量距離（連接關係與查詢的相關度）加跳躍懲罰； 未命中懲罰，邊沒有被向量搜尋命中時的預設高代價。
Episode 的最終得分是所有路徑中的最小代價。
三大打破常規的設計
1.邊也攜帶語意，成為主動過濾器
傳統知識圖譜中，邊（圖譜中節點之間的連線）只是作為型別標籤，比如'works_at'、'located_in'，不參與語意檢索。
查詢一個圖時，你要麼遍歷邊，要麼忽略邊，因為邊本身不攜帶可被搜尋的語意。
而 M-FLOW 中，每條邊都附帶自然語言描述文字，這些文字會被向量化、同樣參與搜尋。
這意味著邊不再是被動連接器，而是主動的語意過濾器。
在代價傳播階段，系統不僅知道兩個節點之間存在連接，還知道這條連接關係本身與當前查詢有多相關。
這樣一來，即便一條邊的兩個節點都被搜尋命中，只要這條邊本身的語意和查詢無關，就會被判定為高代價，從而直接切斷這條不合理的關聯路徑。
2.取路徑最小代價，而非平均代價
為什麼取最小值呢？團隊主要考慮到一個檢索哲學——一條強的證據鏈就足以證明相關性。
一個 Episode 可能關聯 10 個 Facet，但 9 個與查詢都無關。
傳統方式會平均所有路徑代價，這就會讓無關路徑拉高分數；
而 M-FLOW 只看那條最好的路徑。
只要有一個 Facet 透過低代價路徑連接到查詢，這個 Episode 就應該被檢索到。
這也對應了人類記憶的工作方式，比如你想起一件事，通常是因為某一個線索足夠強烈，而不是因為所有線索都指向它。
3.懲罰直接命中，偏好精準錨點路徑
這是最反直覺的設計，當查詢直接匹配了 Episode 摘要時，系統反而對這條路徑施加額外懲罰。
懲罰最直接命中的原因是，它們和很多查詢看起來相關。
一個關於專案管理的 Episode 摘要，可能和任何提到專案或管理的查詢都有不錯的向量距離。
但這種匹配是寬泛的、缺乏焦點的，這其實也反映了眾多 RAG 系統檢索噪聲的根本原因。
M-FLOW 系統的設計偏好，是優先選擇從錐尖（FacetPoint、Entity）出發的精確路徑。
即使多走幾跳，也優先選擇它，直接的 Episode 命中只在沒有更好替代路徑時才勝出。
這樣就確保了檢索結果的精確性——不是什麼都沾點邊的寬泛摘要，而是有具體證據鏈支撐的 Episode。
拓樸論證
要說這套機制為什麼有效，根本優勢還是在於圖拓樸編碼了向量本身無法捕獲的知識組織結構。
多粒度均可找到錨點。比如問「資料庫遷移發生了什麼？」這類巨觀問題時，系統會直接匹配到 Episode 摘要。
雖然會受到直接命中懲罰，但因為沒有更精確的錐尖路徑，這條結果依然會勝出。
而像「P99 目標是否低於 500ms？」這類精確問題，則會強匹配一個 FacetPoint，從錐尖經過兩跳到達 Episode，極小的起始距離讓整體代價非常低。
系統不需要人為選擇粒度，倒錐拓樸會自動在最合適的層級找到錨點。
跨文件實體橋接。當「張博士在 MIT 工作」出現在文件 A，「MIT 發表了量子計算突破」出現在文件 B 時，兩個 Episode 會共享同一個 Entity 節點：MIT。
使用者查詢 MIT 時，錐尖命中該實體，代價會同時向下傳播到兩個 Episode，從而從兩個獨立文件中拿到關聯結果，不需要 LLM 做額外推理，圖結構本身就完成了橋接。
結構噪聲過濾。在傳統平坦檢索中，很多語意相似但主題無關的文字片段會排在前面。
而在 Bundle Search 中，任何片段都必須沿著邊追溯到某個 Episode。
如果沿途的邊和查詢語意無關，路徑代價會迅速升高，讓不相關結果自然下沉。
圖結構本身就是一層強大的語意噪聲過濾器。
代價傳播即推理。圖中的每一條路徑，本質上都是一條推理鏈——
查詢匹配這個事實→事實屬於這個維度→維度屬於這個事件。
路徑代價量化了這條推理鏈的緊密程度，系統在 2–3 跳內就能完成輕量級多跳推理，檢索階段不需要呼叫 LLM。
自適應置信度
並不是每一層向量集合對每個查詢都同樣可靠。
系統會為每個集合計算兩個指標，絕對匹配強度與區分度，然後把集合分為「節點類」和「邊類」，按置信度動態分配權重。
比如某一次查詢中，Entity 集合的置信度明顯高於 Facet 集合，系統就會自動提高 Entity 路徑的影響力。
它不是用固定權重，而是根據本次搜尋中哪個粒度的命中更可信，實時調整檢索策略。
一個額外的調節機制
還有一個額外的調節機制是，當某個 Facet 與查詢向量距離極小、高度吻合時，系統會顯著降低這條路徑上的邊代價和跳躍代價。
邏輯很直觀，如果一個 Facet 已經幾乎完美匹配查詢，那麼它到 Episode 的連接基本就是可靠的，不需要再透過邊語意反覆驗證。
除此之外，系統還包含查詢預處理、並行多模式排程、結果裁剪等機制……
所以總結來看，M-FLOW 的檢索並不是向量搜尋 + 圖資料庫的簡單疊加，圖本身就是檢索機制。
中國記憶引擎後發先至？
這個最普遍的問題，恰恰是 AI 記憶解決方案的核心癥結。
從初代全量上下文硬塞式記憶，到第二代向量 + 關鍵字的檢索式記憶，AI 始終停留在文字形態匹配，離真正的理解與聯想相去甚遠。
而 M-FLOW 用圖結構重構了 AI 記憶的底層邏輯，解決了記憶圖譜的粒度與聯繫問題，讓 AI 記憶完成了從形態相似匹配到聯想與推理的跨越。
而且值得一提的是，這個專案是由一支平均年齡 19 歲、從常春藤輟學的團隊獨立開發的。
在 AI 圈裡，天才少年的故事總是備受矚目。在這次技術突破之後，我們也想知道：
這群年輕人，未來又可以走多遠呢……
專案位址：https://github.com/FlowElement-ai/m_flow產品網站位址：https://m-flow.ai公司位址：https://flowelement.ai
一鍵三連「讚好」「轉發」「小心心」
歡迎在留言區留下你的想法！
— 完 —
🌟 點亮星標 🌟