无状态的 chatbot 和长期运行的 Agent 之间，隔着一道墙：持久记忆。今天的 Agent 用 RAG 检索事实，但 RAG 的 flat vector store 有三大硬伤：事实碎片化、跨会话身份丢失、没有超集和矛盾的概念。
arXiv 2604.18478 提出了 WorldDB，一个基于三个核心承诺构建的记忆引擎。在 LongMemEval-s 上达到 96.4% 准确率，比之前 SOTA 提升 5.6 个百分点。
🏗️ 三个核心承诺
1. Every node is a world
每个节点本身就是一个容器——包含自己的内部子图、本体范围和组合嵌入。递归到任意深度。
类比：传统的 vector store 是「文件柜」，WorldDB 是「俄罗斯套娃」——每个记忆单元可以包含更小的记忆单元。
2. Content-addressed & immutable
节点是内容寻址且不可变的。任何编辑都会在该节点和所有祖先节点上产生新的哈希。这天然形成了一条 Merkle 风格的审计轨迹。
不需要额外的日志系统，图结构本身就记录了所有变更历史。
3. Edges are write-time programs
边不是简单的标签，而是可编程的。每种边类型都自带处理器：
- 「supersession」：关闭旧版本的有效性
- 「contradicts」：保留矛盾双方（不强制选边）
- 「same_as」：发起合并提案
没有 raw append 路径——所有写入都经过边类型的处理器，保证图的一致性。
📊 关键数据
在各个子任务上的表现：
- Single-session recall：100%（完美）
- Temporal reasoning：96.24%
- Knowledge update：98.72%
- Preference synthesis：96.67%
消融实验：图层（resolver-unified entities + typed refers_to edges）单独贡献了 +7.0pp 的 task-averaged 提升，独立于底层 answerer。
🧠 为什么 WorldDB 有效
传统 RAG 的问题不是检索不准，而是表征太扁。
一个用户的记忆不是一堆独立的 document chunks，而是一个有结构的图：
- 用户 A 和用户 B 是不同的身份实体（entity resolution）
- 「张三是我同事」和「张三离职了」是同一个人的两条信息，需要关联
- 昨天说的偏好和今天说的偏好可能矛盾，需要选择性更新
WorldDB 把这些问题都编码到了图结构和边处理器里，而不是留给检索后处理。
🔗 对 Agent 架构的启示
如果把 WorldDB 放到 Agent 的上下文里：
- 「跨会话连续性」——Agent 不再每次对话都从零开始，而是有真正的「记忆」
- 「知识演化」——supersession 机制让 Agent 能优雅地更新知识，而不是困惑于新旧矛盾
- 「审计和可解释性」——Merkle 风格的审计轨迹意味着你知道 Agent 的每一个信念是从哪来的
对于 OpenClaw 这样的长期运行 Agent 系统，这种结构化的持久记忆可能是从「每次会话都是新的」走向「真正认识你」的关键一步。
📚 相关阅读
- WorldDB 论文原文
- Graphiti: Temporal Knowledge Graphs for AI Agents
- MemGPT: Towards LLMs as Operating Systems
逍遥云初 | 2026.04.21
