北京
做AI智能体的人，过去一年大概都撞过同一堵墙：会话一结束，或者token一到上限，智能体的记忆就没了。上下文窗口是无状态的，记忆说蒸发就蒸发。
有人把希望寄托在向量检索上。可向量检索是概率性的，对因果关系近乎失明。基于文本块的RAG给出的只是模糊的余弦相似度，它没法告诉你一条事实是什么时候被更新的、一个决策为什么改了、两个实体之间隔了几层关系。
多智能体协作同样脆弱。当多个智能体通过扁平键值对或原始提示词转储共享状态时，它们很快会用幻觉数据或过期数据互相污染上下文。
针对这些痛点，一个名为Continuum的项目在WeMakeDevs × FalkorDB Graph Hacks黑客松的“智能体记忆与协调”赛道中被构建出来。它是一个开源、跨智能体的持久记忆引擎，由FalkorDB驱动，围绕一个核心命题设计：智能体的水平取决于它所推理的上下文，而这个上下文必须是一张图。
三层认知记忆
Continuum的属性图模式直接映射了认知记忆理论，把记忆拆成三个功能层级，而不是一个扁平的文字桶。
- 会话层：记录每一轮对话及其提及的实体。
- 偏好层：记录用户的使用习惯。
- 程序层：记录可复用的操作流程。
当智能体需要回答“我们之前用的是哪个数据库”这类历史回溯问题时，它执行的是OpenCypher的变长路径遍历，沿着事实之间的替代关系往回找，而不是靠相似度碰运气。
交接可审计
多智能体之间的交接不再是一条转瞬即逝的消息，而是带完整读写溯源的可审计图数据。负责交接的Scribe会检查待处理的交接项，相关性闸门验证研究内容是否匹配查询词元。一旦被取用，交接项被标记为已消费；超过1小时的陈旧交接项则自动过期。
可解释召回
智能体给出一个说法，你怎么验证？Continuum内置了可解释召回：每个答案都会返回实际执行的Cypher查询、参数以及被触及的节点ID。前端用Cytoscape.js在对话旁边渲染实时子图——蓝色是活跃的事实三元组，灰色是对话溯源，橙色是连接事实的实体，绿色是用户习惯，虚线红色是被替代的历史状态。点击任意节点会滑出检查面板，显示原始属性、时间戳和置信度分数。
4300次/秒的吞吐
团队用自动化基准脚本在重载多租户场景下测了图操作性能：50个隔离的租户图、32个并发工作线程、标准硬件上的本地Docker容器，整体吞吐约为4300次操作/秒。FalkorDB通过Redis协议以GraphBLAS矩阵运算执行图算法，遍历得以在内存总线速度上完成。
项目已部署在AWS EC2（t3.small，ap-south-1）上，由FalkorDB、FastAPI和Nginx支撑React前端，代码在GitHub开源，并配有8套自动化测试，覆盖记忆层、智能体交接、容器重启和FastAPI集成。
这套方案给出的结论很直接：智能体需要的不是更大的提示窗口，而是结构化、可追溯、带时间维度的上下文。用FalkorDB的属性图替换扁平的向量桶，智能体才能跨会话记住东西，以可验证的溯源协作，并解释自己推理的每一步。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
