XNews

企业RAG和记忆系统评审

企业RAG和记忆系统评审

对企业RAG系统的系统评审识别了反复出现的部署挑战,并发布了作为开放SQL原生记忆引擎的Memori。 - 评审分析了77篇RAG+LLM论文(2015–2025) - 63.6%的实现使用了GPT模型;80.5%使用了FAISS/Elasticsearch - 66.2%依赖于云基础设施 - 仅有13%的研究在企业环境中部署了原型 - 五大挑战:幻觉控制(48.1%)、数据隐私/安全(37.7%)、延迟和可扩展性(31.2%)、领域适应(23.4%)、衡量商业影响(15.6%) - 评估通常使用精确度/召回率/准确率(80.5%);ROUGE/BLEU在44.2%;仅19.5%包括人机协作评估 - Memori被宣布为一个开放源代码的SQL记忆引擎,存储在SQL数据库中的记忆,自动实体提取,模式(意识/自动/混合)和一行集成(memori.enable()) - Memori强调通过SQL的可审计性,并与LangChain、OpenAI、Anthropic及100多个LiteLLM模型集成。

Key insights

系统评审:RAG在企业生产中仍不成熟

对77篇RAG + LLM研究(2015–2025)的文献评审发现,大多数原型依赖于GPT模型和标准向量搜索框架,66.2%使用云基础设施,只有13%在真实企业环境中部署。评审识别了幻觉控制、隐私/安全、延迟/可扩展性、领域适应和衡量商业影响的困难作为生产采用的持续障碍。评估实践往往缺乏稳健的人机协作和以商业为中心的指标。

Memori提供SQL原生记忆以提高可审计性

一个开源项目Memori被发布为LLMs和代理的SQL原生记忆引擎。它将提取的记忆存储在标准SQL数据库中,提供自动实体提取和多种记忆模式(意识、自动、组合),并与OpenAI、Anthropic、LangChain及许多LiteLLMs集成。Memori强调一行集成、通过SQL的可审计性,以及背景蒸馏以保持短期记忆的相关性。

混合检索和评估差距依然存在

评审指出,混合检索(稠密向量 + 知识图谱)出现在约23.1%的工作中,通常提高了解释性和准确性,但行业部署仍然难以满足企业的延迟、隐私和端到端商业评估要求。很少有论文报告真实的商业成果或全面的人类协作评估。

Source posts