Keep It InMind：檢測代理記憶中的隱性聯想盲點
為何重要
此研究揭露了目前 RAG（檢索增強生成）架構中「檢索」論點的致命缺陷——高召回率不代表高可用率。開發者將被迫重新思考 Agent 記憶設計，放棄對多餘資料無限擴充套件的依賴，轉而追求在當前視窗中保留最關鍵語境的精準路由演算法；對投資人而言，這確認了在 Agent 領域，資訊決策演算法比海量資料儲存更具估值潛力。
現有長期記憶系統假設記憶資訊能透過模糊匹配被檢索出來，但由於世界知識與查詢脈絡的斷裂，導致關鍵資訊往往無法被喚起。研究提出 InMind 基準，驗證了當前系統在這方面的嚴重失效。
- 基準規格：InMind 包含 125 個任務，涵蓋 10 個生活領域，其中 113 個任務有公開可引用來源支援，並透過配對控制區分資料未被儲存、缺乏橋接知識或儲存但未顯現等三種失敗原因。
- 效能差距：在記憶可見於上下文時，其他模型回答間接查詢的成功率高達 84.0%；反之，五種向量、圖形及代理記憶系統在嘗試檢索時，成功上限僅 14.4%，即使這些系統背書認為能 100% 檢索到事實。
- 技術診斷：將嵌入維度擴增八倍僅略微改善召回率，而當在問答前讓記憶「可見」時，效能恢復，顯示問題在於查詢條件介面的路由決策，而非向量表示不足。