Enki——为AI智能体设计的记忆引擎：存储量减半，回答质量不减

近日，英国初创公司Enki Labs发布了一款名为Enki的记忆引擎，专为大型语言模型（LLM）代理设计。该引擎目前为闭源软件，但开发团队在GitHub上公开了初步的基准测试结果，展示了其在存储效率方面的显著优势。根据公布的数据，Enki在LongMemEval基准测试的子集（25个实例）中与业界知名的mem0进行了直接对比。双方使用相同的对话历史和检索模型（Claude Haiku），并且检索深度均设为K=10，唯一的不同在于底层的记忆层实现。

测试结果显示，Enki的总得分为14/25，而mem0为12/25。尤其值得一提的是，在多会话推理任务中，Enki取得了4/5的优异成绩，远高于mem0的2/5。这一结果凸显了Enki在跨会话信息整合与推理方面的独特能力。在其他类别如知识更新、单会话用户、单会话助手和单会话偏好方面，两者表现持平，均为3/5、3/5、2/5和2/5。

除了推理准确率，Enki在存储效率上同样令人印象深刻。平均而言，Enki仅需存储138条事实即可完成给定会话的记忆任务，而mem0需要283条，存储量减少了约51%。这意味着在处理长期运行的代理应用时，Enki可以显著降低内存和存储开销，提升系统的可扩展性。

在检索延迟方面，Enki在纯CPU环境下的表现同样出色。基于约139条事实的存储库和240次采样，平均检索延迟为7.6毫秒，中位数为6.1毫秒，第95百分位为11.9毫秒，第99百分位为13.0毫秒。这些数据表明Enki能够满足实时交互的需求。

需要注意的是，Enki Labs团队强调目前的评估基于一个较小且经过人工验证的样本集，整体差距（14 vs 12）并不大，但存储量减半的结果是稳健且可复现的。完整的评估方法论和逐问题答案可以通过申请获取。该存储库以MIT许可证发布，但仅包含评估结果，核心引擎并未开源。

Enki的出现为AI代理的记忆层提供了新的选择，尤其适合需要平衡存储效率与推理准确率的应用场景。随着进一步的评估和可能的开源，它有望成为推动代理系统发展的重要组件。