轉自 新智元

【導讀】一套叫M-Flow的記憶引擎，最近在海外開發者社區討論度飆升。GitHubstar瞬間破千，LoCoMo、LongMemEval、EvolvingEvents三大公開benchmark評測全部拿下第一，成績一路跑在Mem0、Zep、Graphiti、Cognee、Supermemory前面。但它真正想講的，不是「Benchmark跑分更高」，而是一件更根本的事——真正的Agent記憶，從來不該只是搜索引擎，而是要像人一樣從聯想中獲得啟發。

最近，海外的AI開發者圈子里，反復出現一個新名字——M-Flow。

引發了X（Twitter），Reddit，HackerNews的AI技術圈里熱烈的討論，Github stars飆升。

一個開源項目能在這么短的時間里被主動討論到這種程度，只有一種可能——

它在一件「所有人都在做、但所有人都做得不夠好」的事情上，做出了點不太一樣的東西。

那件事，叫——Agent Memory。

憑什么說它是「Graph RAG新范式」?

現在市面上做Graph RAG的大多數玩家，本質上是在做一張扁平的圖——不同顆粒度的信息是互相隔離的。

真上業務你就會發現，用戶的問題和存入的內容很難「對齊顆粒度」:

• 節點一多，遍歷就爆炸；

• 關系一雜，相關性就稀釋；

• 想做長時序、跨事件的回憶，要么失憶，要么答非所問。

而來自中國的一個19歲團隊心流元素所開發的M-Flow是唯一可以將相關性編碼進圖拓撲的。

它搞了一套叫做Cone Graph(錐形圖譜)的分層結構:

• 最上層是Episode(情景)——完整的語義焦點。

• 中間一層是Facet(切面)——把這件事拆成若干截面。

• 最底一層是FacetPoint(切面點)——最小顆粒的原子事實、三元組。

• 橫穿整個錐的，是Entity(實體)——人、項目、地點、產品，一條錨線串起所有層級，讓信息不再孤立地躺在一個情景里。

三縱一橫，錐形結構。

這是什么意思？

意思是檢索的時候，你不再是在一堆散點里瞎搜，而是在一個有層級、有錨點、有語義骨架的結構里「走」。

搜索引擎是「給你最像的」，M-Flow是「給你相關的、該出現的」。

這就是Graph RAG新范式的開始。

主流Benchmark，全部第一

光講理念沒用，得看成績單。

M-Flow把業內認可度最高的主流評測集全跑了一遍。

重點是對比的競品全面，并且在所有主流測試中穩居第一。

這件事幾乎從未出現在別的記憶項目中，要么是架構專精某一套題，要么省略跑分更高的競品，也正因如此，無數人在自稱SOTA。

M-Flow用的就是每個競品自己公布的題目，以及每個競品自己公布的、自己推薦的那套跑法。

換句話說——在對手的地盤上，按對手的規則打。

四個榜，四個第一。

不是「換個角度會更好看」，是全方位無死角，全線領先。

但如果M-Flow的故事只講到這兒，就把它講小了。

Benchmark是結果，不是原因。

M-Flow能在所有公開榜單上全線領先，不是因為它比別人更會「搜」，而是因為它比別人多了一樣東西——聯想。

真正的記憶，是聯想

人類的靈感，從來不是憑空出現的

想象一個場景：你正在頭疼，一個項目為什么一直延期。

突然，團隊里有人隨口說了一句——「張三好像根本不知道deadline提前過。」

就這一句話，你腦子里「啪」地一下:

周一的會、那次倉促的deadline變更、張三當時沒說話的表情、誰也沒明確是「誰該通知他」——緊接著，你又想起前三次類似的情況:決策會開了，但關鍵的人都不在場。

于是你抓到的結論，不是「張三漏了個信息」。

而是:「這不是執行問題，是溝通鏈問題。」

這就是聯想。

一個小線索→喚起一個局部錨點→帶出附近的細節→沿著有意義的關系延展→重建一個更大的情景→形成新的解讀。

人類幾乎所有的「靈光一閃」，都是這么發生的。

而今天的AI Agent，幾乎沒有一個真的會這件事。

搜索≠聯想

市面上絕大多數叫「AI記憶」的東西，做的其實都是搜索。

? 搜索問的是:「存起來的文本里，哪段跟我這個query最像?」

? 聯想問的是:「從這個線索出發，該有哪些上下文被重新激活?」

這根本不是同一件事。

? 搜索給你最相似的片段；聯想給你最該被想起來的那個情景。

? 搜索是「從庫里撈」；聯想是「順著關系走」。

? 搜索告訴你「上次說過什么」；聯想讓你意識到——「這事跟那事，其實是一回事」。

一個只會搜的Agent，永遠只能回答「你問的那句話出現在哪條歷史記錄里」。

而一個會聯想的Agent，能從你此刻隨口的一句話，拼出整個上下文，甚至幫你看見你自己還沒看見的那條線。

M-Flow實現的是全新的記憶維度

它不把記憶看成一堆平鋪的文本，而是看成一個有結構的關聯空間。

查詢進來后，先激活細粒度線索，再沿著關系往外擴展，最后恢復出這個線索原本屬于的更大情境。

為什么「聯想」這件事，比Benchmark更重要。

Benchmark重要——它測的是一個記憶系統能不能把該記的記回來。

但benchmark測的，始終是「系統能力」。

真正更有意思的問題是——

記憶，能不能托起「智能層」的行為?

? 一個更準的記憶引擎，讓Agent「找回來得更對」。

? 一個會聯想的記憶引擎，讓Agent重新連接上下文、暴露潛在關系、獲得更深入的理解。

這兩件事，完全不在一個維度上。

「記憶準確度」是一種能力指標。

「聯想與靈感」是一種智能特質。

換句話說，記憶引擎的本質不是讓AI「記得更多」，是讓AI「回答的更好」。

記憶引擎

正在成為Agent的下一個必爭之地

過去兩年，AI圈的焦點一直在「模型」上——參數更大、推理更強、能力更通用。

但進入2025、2026，一個新的共識正在形成——

光靠一次性把context塞進去的Agent，走不遠。

真正能讓Agent「長出穩定人格」、「跨任務協作」、「在時間維度上真正陪伴用戶的」，不是更長的context window，而是一個獨立的、可沉淀的記憶層。

于是過去這一年，整條賽道全線加速:

• Mem0剛拿下2400萬美金A輪；

• Letta、Zep、Cognee、Supermemory接連完成早期融資；

• Graphiti在Graph-RAG方向持續迭代；

• 連Pinecone這種老牌向量數據庫，都在往「記憶服務」上貼。

但細看這個賽道，你會發現一個有點尷尬的事實——底層路線高度趨同。

• 要么是向量檢索+摘要；

• 要么是淺層知識圖譜+BM25回退；

• 要么是「更精細的RAG」。

歸根結底，所有人都還在「搜索」這個老范式里打轉。

而M-Flow，幾乎是整個賽道里，唯一一個把「聯想」當作第一性問題來做的。

它賭的不是「搜得更準」，是——想得更對。

Agent的下半場，不是誰的模型更大，而是誰的Agent更像人。

而像人，最關鍵的一步，不是「記得多」，而是——會聯想。

M-Flow現在還小，海外社區幾百條討論——在整個AI賽道里，它還只是個剛剛走起來的新人。

但它前進的方向，是對的。

體驗鏈接：

https://github.com/FlowElement-ai/m_flow

m-flow.ai

flowelement.ai

【免責聲明】轉載出于非商業性的教育和科研目的，只為學術新聞信息的傳播，版權歸原作者所有，如有侵權請立即與我們聯系，我們將及時刪除。