Claude偷偷棄用的RAG技術(shù)，被19歲團(tuán)隊(duì)徹底重構(gòu)了

Claude Code源碼泄露的余波，還在AI圈持續(xù)發(fā)酵。

說起來挺反常，Claude幾乎貢獻(xiàn)了所有RAG記憶項(xiàng)目，結(jié)果泄露的代碼卻顯示——Anthropic自己壓根沒用傳統(tǒng)RAG。

這就很矛盾了。官方文檔和技術(shù)博客里，Anthropic一直明確提到支持RAG檢索。而它"棄用"傳統(tǒng)RAG的玩法，恰恰說明一個(gè)問題：現(xiàn)有的RAG解決方案，性能并沒有達(dá)標(biāo)。

從2023年起，混合檢索就成了記憶引擎的標(biāo)配邏輯，向量+關(guān)鍵詞、加權(quán)排序……這些套路不斷迭代。但隨著AI記憶場景越來越復(fù)雜，傳統(tǒng)RAG的瓶頸也徹底暴露——明明叫記憶引擎，卻還在干著搜索引擎的活兒，只會(huì)匹配相似文本，做不到真正的理解，更談不上聯(lián)想推理。

回頭看AI記憶的演化路徑，脈絡(luò)其實(shí)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(guān)鍵詞匹配，類似查字典，只能找到相似內(nèi)容，抓不住真實(shí)關(guān)聯(lián)；第三代則是能夠自主聯(lián)想、推理、跨結(jié)構(gòu)建立關(guān)聯(lián)的認(rèn)知模型。

讓AI實(shí)現(xiàn)推理與聯(lián)想，跨粒度記憶的有效組織是關(guān)鍵。簡單點(diǎn)說，就是讓AI能同時(shí)處理細(xì)顆粒的事實(shí)和粗顆粒的上下文，還能在它們之間自由跳轉(zhuǎn)。

但這個(gè)問題，正是2023到2026年間整個(gè)記憶引擎行業(yè)難以突破的核心瓶頸。

不過最近，我們觀察到一個(gè)平均年齡19歲的中國年輕團(tuán)隊(duì)，心流元素，給出了可行解法——M-FLOW。憑借自研的圖路由Bundle Search架構(gòu)，實(shí)現(xiàn)了benchmark的現(xiàn)象級領(lǐng)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，性能優(yōu)勢顯著。深度測評之后可以看到，在覆蓋寫入、檢索、預(yù)處理、知識組織等環(huán)節(jié)的29項(xiàng)能力維度中，M-FLOW在絕大多數(shù)關(guān)鍵維度上都實(shí)現(xiàn)了完整支持。

尤其在圖增強(qiáng)檢索、指代消解、多粒度索引等決定記憶質(zhì)量的核心能力上表現(xiàn)突出。

這份成績的背后，是M-FLOW架構(gòu)帶來的系統(tǒng)性優(yōu)勢。而且基本沒什么使用門檻，部署流程非常簡單，在具備Docker環(huán)境時(shí)只需要一行代碼就能完成接入。

當(dāng)然，雖然上手簡單，但在部署之前，咱也先來說說大家好奇的問題：

與當(dāng)前行業(yè)里大量同質(zhì)化的記憶方案不同，M-FLOW并不是用LLM輔助檢索來抬高Benchmark分?jǐn)?shù)，也不是簡單疊加功能。準(zhǔn)確說，它是從根本上重構(gòu)了AI記憶的組織與使用體系。

所有RAG系統(tǒng)都會(huì)面臨同一個(gè)問題：給定用戶查詢，如何精準(zhǔn)定位存儲(chǔ)的相關(guān)知識？

主流方案的邏輯很直接——將文檔切塊、向量化后存入向量庫，檢索時(shí)按余弦相似度排序。這種方式本質(zhì)上只回答"哪段文本和查詢語義最接近"這一個(gè)層級的問題，對簡單事實(shí)查找的效果還不錯(cuò)，但在復(fù)雜場景中會(huì)完全失效。

究其原因，平坦向量檢索丟棄了知識的內(nèi)在結(jié)構(gòu)。它能判斷文本與查詢的相似度，卻完全不清楚這段文本在整個(gè)知識體系中的拓?fù)湮恢谩?/p>

M-FLOW以圖路由檢索替代傳統(tǒng)平坦檢索，核心邏輯圍繞分層知識拓?fù)湔归_。其核心洞察是：不止找到"匹配的文本"，更要定位匹配點(diǎn)所屬的完整知識結(jié)構(gòu)，再對整個(gè)結(jié)構(gòu)進(jìn)行評分。

M-FLOW將所有攝入的知識組織為一個(gè)四層有向圖，形成一個(gè)倒錐（inverted cone）。

這個(gè)結(jié)構(gòu)的方向性是反直覺的。在傳統(tǒng)的知識圖譜或分類樹中，越往下越具體；但在M-FLOW中，搜索的"入口在錐尖"——細(xì)粒度的Entity和FacetPoint最容易被向量搜索精確命中，而搜索的"目標(biāo)在錐底"——Episode是最終返回給用戶的知識單元。

信息流從尖銳的匹配點(diǎn)向下匯聚到寬廣的語義落點(diǎn)。用戶不是在層級中逐層縮小范圍，而是系統(tǒng)在最尖銳的點(diǎn)上捕獲信號，然后沿圖結(jié)構(gòu)向下傳播到它所歸屬的完整語義單元。

當(dāng)查詢到達(dá)時(shí)，系統(tǒng)不是簡單地找到最近的節(jié)點(diǎn)。它通過評估圖中所有可能到達(dá)每個(gè)Episode的路徑，找到最優(yōu)的Episode。

查詢被向量化后，同時(shí)在七個(gè)向量集合中搜索，從錐尖到錐底覆蓋每一層，每個(gè)集合返回最多100個(gè)候選。最容易被精確命中的是錐尖處的節(jié)點(diǎn)——一個(gè)Entity名稱、一個(gè)FacetPoint的斷言。這些細(xì)粒度錨點(diǎn)的語義極度聚焦，向量距離小。錐底的Episode摘要也可能被命中，但因?yàn)檎Z義更寬泛，匹配通常不如錐尖精確。

系統(tǒng)提取它們周圍的子圖——邊、鄰居、連接關(guān)系，然后擴(kuò)展一跳鄰居。這將一組孤立的向量命中點(diǎn)轉(zhuǎn)化為一個(gè)連通的拓?fù)浣Y(jié)構(gòu)。

這是核心步驟，也是圖路由Bundle Search的本質(zhì)：在錐尖捕獲信號，沿圖邊向錐底傳播，在Episode處匯聚評分。

對于子圖中的每個(gè)Episode，系統(tǒng)評估從錨點(diǎn)到達(dá)它的所有可能路徑。Episode的最終得分是所有路徑中的最小代價(jià)。

傳統(tǒng)知識圖譜中，邊只是作為類型標(biāo)簽，比如'works_at'、'located_in'，不參與語義檢索。查詢一個(gè)圖時(shí)，你要么遍歷邊，要么忽略邊，因?yàn)檫叡旧聿粩y帶可被搜索的語義。

而M-FLOW中，每條邊都附帶自然語言描述文本，這些文本會(huì)被向量化、同樣參與搜索。這意味著邊不再是被動(dòng)連接器，而是主動(dòng)的語義過濾器。

在代價(jià)傳播階段，系統(tǒng)不僅知道兩個(gè)節(jié)點(diǎn)之間存在連接，還知道這條連接關(guān)系本身與當(dāng)前查詢有多相關(guān)。即便一條邊的兩個(gè)節(jié)點(diǎn)都被搜索命中，只要這條邊本身的語義和查詢無關(guān)，就會(huì)被判定為高代價(jià)，從而直接切斷這條不合理的關(guān)聯(lián)路徑。

為什么取最小值？團(tuán)隊(duì)主要考慮到一個(gè)檢索哲學(xué)：一條強(qiáng)的證據(jù)鏈就足以證明相關(guān)性。

一個(gè)Episode可能關(guān)聯(lián)10個(gè)Facet，但9個(gè)與查詢都無關(guān)。傳統(tǒng)方式會(huì)平均所有路徑代價(jià)，這就會(huì)讓無關(guān)路徑拉高分?jǐn)?shù)；只要有一個(gè)Facet通過低代價(jià)路徑連接到查詢，這個(gè)Episode就應(yīng)該被檢索到。這也對應(yīng)了人類記憶的工作方式——你想起一件事，通常是因?yàn)槟骋粋€(gè)線索足夠強(qiáng)烈，而不是因?yàn)樗芯€索都指向它。

還有一個(gè)反直覺的設(shè)計(jì)：當(dāng)查詢直接匹配了Episode摘要時(shí)，系統(tǒng)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(guān)。一個(gè)關(guān)于項(xiàng)目管理的Episode摘要，可能和任何提到項(xiàng)目或管理的查詢都有不錯(cuò)的向量距離。但這種匹配是寬泛的、缺乏焦點(diǎn)的，這也反映了眾多RAG系統(tǒng)檢索噪聲的根本原因。

M-FLOW系統(tǒng)的設(shè)計(jì)偏好，是優(yōu)先選擇從錐尖（FacetPoint、Entity）出發(fā)的精確路徑。即使多走幾跳，也優(yōu)先選擇它，直接的Episode命中只在沒有更好替代路徑時(shí)才勝出。這樣就確保了檢索結(jié)果的精確性——不是什么都沾點(diǎn)邊的寬泛摘要，而是有具體證據(jù)鏈支撐的Episode。

這套機(jī)制有效的根本優(yōu)勢，在于圖拓?fù)渚幋a了向量本身無法捕獲的知識組織結(jié)構(gòu)。

多粒度均可找到錨點(diǎn)。比如問"數(shù)據(jù)庫遷移發(fā)生了什么？"這類宏觀問題時(shí)，系統(tǒng)會(huì)直接匹配到Episode摘要。雖然會(huì)受到直接命中懲罰，但因?yàn)闆]有更精確的錐尖路徑，這條結(jié)果依然會(huì)勝出。而像"P99目標(biāo)是否低于500ms？"這類精確問題，則會(huì)強(qiáng)匹配一個(gè)FacetPoint，從錐尖經(jīng)過兩跳到達(dá)Episode，極小的起始距離讓整體代價(jià)非常低。系統(tǒng)不需要人為選擇粒度，倒錐拓?fù)鋾?huì)自動(dòng)在最合適的層級找到錨點(diǎn)。

跨文檔實(shí)體橋接。當(dāng)"張博士在MIT工作"出現(xiàn)在文檔A，"MIT發(fā)表了量子計(jì)算突破"出現(xiàn)在文檔B時(shí)，兩個(gè)Episode會(huì)共享同一個(gè)Entity節(jié)點(diǎn)：MIT。用戶查詢MIT時(shí)，錐尖命中該實(shí)體，代價(jià)會(huì)同時(shí)向下傳播到兩個(gè)Episode，從而從兩個(gè)獨(dú)立文檔中拿到關(guān)聯(lián)結(jié)果，不需要LLM做額外推理，圖結(jié)構(gòu)本身就完成了橋接。

結(jié)構(gòu)噪聲過濾。在傳統(tǒng)平坦檢索中，很多語義相似但主題無關(guān)的文本片段會(huì)排在前面。而在Bundle Search中，任何片段都必須沿著邊追溯到某個(gè)Episode。如果沿途的邊和查詢語義無關(guān)，路徑代價(jià)會(huì)迅速升高，讓不相關(guān)結(jié)果自然下沉。圖結(jié)構(gòu)本身，就是一層強(qiáng)大的語義噪聲過濾器。

代價(jià)傳播即推理。圖中的每一條路徑，本質(zhì)上都是一條推理鏈——查詢匹配這個(gè)事實(shí)→事實(shí)屬于這個(gè)維度→維度屬于這個(gè)事件。路徑代價(jià)量化了這條推理鏈的緊密程度，系統(tǒng)在2–3跳內(nèi)就能完成輕量級多跳推理，檢索階段不需要調(diào)用LLM。

并不是每一層向量集合對每個(gè)查詢都同樣可靠。系統(tǒng)會(huì)為每個(gè)集合計(jì)算兩個(gè)指標(biāo)——絕對匹配強(qiáng)度與區(qū)分度，然后把集合分為"節(jié)點(diǎn)類"和"邊類"，按置信度動(dòng)態(tài)分配權(quán)重。比如某一次查詢中，Entity集合的置信度明顯高于Facet集合，系統(tǒng)就會(huì)自動(dòng)提高Entity路徑的影響力。它不是用固定權(quán)重，而是根據(jù)本次搜索中哪個(gè)粒度的命中更可信，實(shí)時(shí)調(diào)整檢索策略。

還有一個(gè)額外的調(diào)節(jié)機(jī)制：當(dāng)某個(gè)Facet與查詢向量距離極小、高度吻合時(shí)，系統(tǒng)會(huì)顯著降低這條路徑上的邊代價(jià)和跳躍代價(jià)。邏輯很直觀，如果一個(gè)Facet已經(jīng)幾乎完美匹配查詢，那么它到Episode的連接基本就是可靠的，不需要再通過邊語義反復(fù)驗(yàn)證。

除此之外，系統(tǒng)還包含查詢預(yù)處理、并行多模式調(diào)度、結(jié)果裁剪等機(jī)制。

所以總結(jié)來看，M-FLOW的檢索并不是向量搜索+圖數(shù)據(jù)庫的簡單疊加，圖本身就是檢索機(jī)制。

在國內(nèi)，外置記憶遠(yuǎn)沒有國外的關(guān)注度高，然而M-FLOW團(tuán)隊(duì)不做同質(zhì)化堆砌，實(shí)現(xiàn)了國產(chǎn)在該領(lǐng)域的從無到有，并且性能領(lǐng)先世界、還堅(jiān)持開源開放。

其實(shí)很多初次接觸記憶引擎的人都會(huì)有一個(gè)直觀困惑：人類的回憶難道不是尋找相關(guān)信息嗎？為什么AI的記憶，卻總是在找文本形態(tài)相似的信息？

這個(gè)最普遍的問題，恰恰是AI記憶解決方案的核心癥結(jié)。從初代全量上下文硬塞式記憶，到第二代向量+關(guān)鍵詞的檢索式記憶，AI始終停留在文本形態(tài)匹配，離真正的理解與聯(lián)想相去甚遠(yuǎn)。

而M-FLOW用圖結(jié)構(gòu)重構(gòu)了AI記憶的底層邏輯，解決了記憶圖譜的粒度與聯(lián)系問題，讓AI記憶完成了從形態(tài)相似匹配到聯(lián)想與推理的跨越。

而且值得一提的是，這個(gè)項(xiàng)目是由一支平均年齡19歲、從常青藤輟學(xué)的團(tuán)隊(duì)獨(dú)立開發(fā)的。在AI圈里，天才少年的故事總是備受矚目。在這次技術(shù)突破之后，我們也想知道：這群年輕人接下來會(huì)把AI記憶帶向哪里？