Pelancaran C.O.R.E. ( Contextual Observation & Recall Engine ), sebuah sistem memori baharu untuk model bahasa besar, telah mencetuskan perbincangan hangat dalam komuniti pembangun mengenai pendekatan terbaik untuk pengurusan memori AI. Sistem ini berjanji untuk memberikan pengguna pemilikan penuh terhadap memori AI mereka sambil membolehkan perkongsian lancar merentas alat AI yang berbeza seperti Claude dan Cursor.
Pilihan Persediaan C.O.R.E.:
- Persediaan Awan: Daftar masuk ke Core Cloud , tambah teks ke graf memori, sambung melalui MCP ke alat seperti Cursor
- Persediaan Tempatan: Memerlukan Docker dan OpenAI API Key , berjalan pada localhost:3000 dengan pengesahan pautan ajaib
- Integrasi API: Titik akhir POST untuk /ingest dan /search dengan pengesahan token Bearer
Perpecahan Graf Pengetahuan vs Fail Teks
Perdebatan paling hangat berpusat pada sama ada pendekatan graf pengetahuan kompleks C.O.R.E. menawarkan kelebihan sebenar berbanding penyelesaian yang lebih mudah. Pengkritik berhujah bahawa fail teks asas dengan kawalan versi mungkin sama berkesan untuk kebanyakan kes penggunaan. Seorang pembangun menyatakan bahawa mereka telah berjaya menggunakan Markdown + Git + alat UNIX biasa selepas mencuba pendekatan yang lebih kompleks.
Walau bagaimanapun, pencipta C.O.R.E. mempertahankan reka bentuk graf pengetahuan temporal mereka, menjelaskan bahawa ia cemerlang dalam senario di mana maklumat berkembang dari masa ke masa. Mereka menunjukkan kes penggunaan seperti menjejaki perbualan perubatan merentas pelbagai platform AI, di mana pengguna perlu memahami bukan sahaja fakta semasa tetapi juga bagaimana dan bila maklumat berubah.
Perbandingan Seni Bina Memori:
- Sistem Tradisional: "Nota lekat" statik yang hanya menunjukkan keadaan semasa
- C.O.R.E. : Graf pengetahuan temporal dengan sejarah kenyataan yang lengkap
- Setiap Kenyataan Merangkumi: Apa yang dikatakan, siapa yang mengatakannya, bila ia berlaku, mengapa ia penting
- Kelebihan Utama: Kebolehkesanan penuh dan jejak audit untuk evolusi fakta dari masa ke masa
Cabaran Mendapatkan AI Untuk Benar-Benar Menggunakan Memori
Halangan teknikal yang ketara muncul dalam perbincangan: mendapatkan sistem AI untuk menggunakan alat memori pada masa yang tepat. Beberapa pembangun berkongsi kekecewaan mengenai pelaksanaan sistem memori yang berfungsi secara teknikal tetapi gagal kerana AI tidak tahu bila untuk mengaksesnya.
Salah satu cabaran yang saya hadapi dengan pelayan memori MCP lain ialah untuk mendapatkan klien LLM benar-benar menggunakannya untuk mengingat maklumat yang berkaitan apabila mereka memerlukannya. Melaksanakan alat MCP adalah satu perkara, mendapatkan klien LLM untuk menggunakannya pada masa yang tepat adalah perkara lain.
Pasukan C.O.R.E. menangani ini dengan membangunkan teknik kejuruteraan gesaan khusus dan arahan sistem yang membimbing pembantu AI tentang bila dan bagaimana menggunakan memori dengan berkesan.
Kebimbangan Kebergantungan Tempatan vs Awan
Ahli komuniti membangkitkan kebimbangan mengenai kebergantungan semasa C.O.R.E. pada API OpenAI, walaupun dalam persediaan tempatannya. Kebergantungan ini seolah-olah bercanggah dengan janji sistem untuk pemilikan dan mudah alih pengguna. Para pembangun mengakui batasan ini, menjelaskan mereka pada mulanya membina sistem untuk projek pembantu AI mereka sendiri dan sedang berusaha untuk menyokong model tempatan seperti Llama, walaupun mereka mengakui keputusan semasa tidak optimum.
Sambungan Web Semantik
Perbincangan mengambil pusingan sejarah yang menarik apabila pembangun menyatakan persamaan dengan gerakan web semantik dari beberapa dekad yang lalu. Ironinya tidak hilang pada peserta bahawa selepas bertahun-tahun LLM menyediakan pengetahuan umum tanpa memori, komuniti kembali kepada graf pengetahuan berstruktur sebagai penyelesaian.
Kesimpulan
Walaupun C.O.R.E. mewakili percubaan bercita-cita tinggi untuk menyelesaikan cabaran memori AI, komuniti masih berpecah mengenai sama ada kerumitannya wajar. Perdebatan ini menyerlahkan ketegangan asas dalam pembangunan AI: mengimbangi keupayaan canggih dengan kesederhanaan praktikal. Apabila lebih ramai pembangun bereksperimen dengan pendekatan memori yang berbeza, penyelesaian yang paling berkesan mungkin akan muncul daripada penggunaan dunia sebenar dan bukannya kelebihan teori.
Rujukan: C.O.R.E.