2.7 KiB
2.7 KiB
title, type, tags, sources, last_updated
| title | type | tags | sources | last_updated | |||||
|---|---|---|---|---|---|---|---|---|---|
| Fact-Recall-vs-Compounding | concept |
|
|
2026-04-15 |
Definition
AI 记忆工具领域的两种根本不同的优化目标：
- Fact Recall（事实召回）：Memory Backend 范式追求的目标——系统能否找到正确的事实？
- Compounding（复合增长）：Context Substrate 范式追求的目标——系统是否随时间变得更好？
Camp 1: Fact Recall（事实召回）
Definition
给定一个查询，从存储的记忆中找到最相关的事实。
Metric
召回精度（recall accuracy），通常以百分比衡量：
- MemPalace：LongMemEval 纯语义搜索 96.6%
- Supermemory：LongMemEval + LoCoMo + ConvoMem 声称第一
What This Optimizes For
- "我三周前说的那句话是什么？"
- "用户喜欢什么？"
- "上次讨论 X 时说了什么？"
Limitations
- 精度再高，也只是"找到过去说过的话"
- 无法让 Agent 变得"更好"——只是更准确地记住
- 记忆是静态条目，不随交互演进
Camp 2: Compounding（复合增长）
Definition
系统随时间和使用变得更丰富、更有价值——上下文在每次交互后复合增长。
Metric
难以量化，但可以观察：
- 上下文在多会话后的丰富程度
- Agent 决策质量的随时间提升
- 人类对 Agent 上下文的理解程度
What This Optimizes For
- "给我跨五个项目的当前工作状态"
- "我的 Agent 今天应该优先做什么？"
- "过去三周发生了什么重要决策？"
Advantage
- 上下文本身就是可读的、可审计的
- 人类可以理解、纠正、补充 Agent 的上下文
- 上下文复合增长 → Agent 能力随时间提升
The Fundamental Difference
| 问题 | Fact Recall | Compounding |
|---|---|---|
| 问 | "AI 应该记住什么？" | "AI 应该在什么上下文中工作？" |
| 记忆是 | 提取的事实条目 | 累积的上下文文件 |
| 随时间 | 静态（条目不演进） | 动态（复合增长） |
| 人类交互 | 黑盒（不直接操作） | 白盒（直接读写文件） |
| 适用场景 | 单轮问答 | 持续 Agent |
Why Both Matter
对于简单场景（聊天机器人记住用户偏好），Fact Recall 足够好。对于持续运行、多会话、多项目的 Agent，必须有 Compounding 能力。两者不互斥，但必须理解何时用哪个。
Connections
- Memory-Backend ← 优化目标 ← Memory-Backend 优化 Fact Recall
- Context-Substrate ← 优化目标 ← Context-Substrate 优化 Compounding
- ai-memory-tools-two-camps ← 来源 ← Fact-Recall-vs-Compounding 是 @witcheer 分类框架的核心区分轴