Enki——為AI智慧體設計的記憶引擎：儲存量減半，回答質量不減

近日，英國初創公司Enki Labs釋出了一款名為Enki的記憶引擎，專為大型語言模型（LLM）代理設計。該引擎目前為閉源軟體，但開發團隊在GitHub上公開了初步的基準測試結果，展示了其在儲存效率方面的顯著優勢。根據公佈的資料，Enki在LongMemEval基準測試的子集（25個例項）中與業界知名的mem0進行了直接對比。雙方使用相同的對話歷史和檢索模型（Claude Haiku），並且檢索深度均設為K=10，唯一的不同在於底層的記憶層實現。

測試結果顯示，Enki的總得分為14/25，而mem0為12/25。尤其值得一提的是，在多會話推理任務中，Enki取得了4/5的優異成績，遠高於mem0的2/5。這一結果凸顯了Enki在跨會話資訊整合與推理方面的獨特能力。在其他類別如知識更新、單會話使用者、單會話助手和單會話偏好方面，兩者表現持平，均為3/5、3/5、2/5和2/5。

除了推理準確率，Enki在儲存效率上同樣令人印象深刻。平均而言，Enki僅需儲存138條事實即可完成給定會話的記憶任務，而mem0需要283條，儲存量減少了約51%。這意味著在處理長期執行的代理應用時，Enki可以顯著降低記憶體和儲存開銷，提升系統的可擴充套件性。

在檢索延遲方面，Enki在純CPU環境下的表現同樣出色。基於約139條事實的儲存庫和240次取樣，平均檢索延遲為7.6毫秒，中位數為6.1毫秒，第95百分位為11.9毫秒，第99百分位為13.0毫秒。這些資料表明Enki能夠滿足即時互動的需求。

需要注意的是，Enki Labs團隊強調目前的評估基於一個較小且經過人工驗證的樣本集，整體差距（14 vs 12）並不大，但儲存量減半的結果是穩健且可復現的。完整的評估方法論和逐問題答案可以透過申請獲取。該儲存庫以MIT許可證釋出，但僅包含評估結果，核心引擎並未開源。

Enki的出現為AI代理的記憶層提供了新的選擇，尤其適合需要平衡儲存效率與推理準確率的應用場景。隨著進一步的評估和可能的開源，它有望成為推動代理系統發展的重要元件。