Tidigare batalj · 2024-07-11 UTC
AI Agent Memory Uppgörelse — 11 juli 2024
Från kategorin AI Agent Memory. 16 markeringar placerade över 4 kämpar. Letta tog kronan.
Slutställning
Uppställningen
Kämparna
Profiler av varje verktyg som tävlade i den här bataljen, rankade efter sin slutpoäng.
Letta
Ramverk för byggnad av tillståndskänsliga AI-agenter med långsiktig minnesförmåga och kontinuerligt lärande.
Letta är en utvecklarplattform för skapande av AI-agenter som behåller sammanhang över sessionsgränser, lär sig av interaktioner och förbättrar sitt beteende över tid. Till skillnad från stateless chatbots behåller Letta-agenter en bestående minnesfunktion, vilket möjliggör för dem att återkalla tidigare samtal, användarpreferenser och ackumulerad kunskap. Ramverket tillhandahåller infrastruktur för att hantera minne, resonemang och verktygsanvändning för agenter, med stöd för flera LLM-leverantörer. Utvecklare kan bygga, distribuera och observera agenter genom SDK:er och ett visuellt gränssnitt, vilket gör det lämpligt för applikationer som personliga assistenter, kundsupport och autonoma arbetsflöden som kan dra nytta av kontinuitet.
Radbrytning av kriterier
- Tillståndskänsliga agenter med bestående minne
- Självediterande minnesblock
- Stöd för flera LLM-leverantörer
- Verktygs- och funktionsanrop
- Agentutvecklingsmiljö (ADE)
- REST API och Python/TypeScript SDK:er
Zep är ett plattform för minneshantering av stor skala som ärdesignad för AI-agenter, för att hantera utmaningen för att underhålla och hantera minnesinnehåll hos flera användare, företagsdata och förflutna interaktioner. Det syftar till att förse agenter med ett kontinuerligt lärande och evolvande förståelse för deras operativa miljö, vilket stärker personifiering och noggrannhet i agentinteraktioner. Hjärtat i Zeps arkitektur är deras egna Kontextgrafikmotor, som konstruerar och hanterar en ”Kontextsjö” med miljontals individuella kontextografier. Dessa grafer är uppsammplade från diverse källor, inklusive samtalshistorik, företagsdata och användarinteraktioner. Zep bearbetar denna information för att skapa token-effektiva och relevanta kontexter för agenter genom automatisk kontextsammanställning. En nyckelförmåga är dess tidsbaserade sammanhängande graff, vilket automatiskt ogiltigförklarar gamla fakta när nya information dyker upp, och säkerställer att agenter alltid kan resonera med den absolut senaste informationen. Tidigare tillstånd sparades som historia, vilket tillåter agenter att fråga vad som var riktigt vid någon given tidpunkt i det förgångna. Systemet kombinerar också "Observations", där Zep analyserar grafer för att visa upp mönster, återkommande mönster och samsyn i minnet, vilket ger agenter en global syn som går bortom isolerade fakta. Zep betonar företagssnäppet styrning, som erbjuder funktioner som attributbaserad åtkomstkontroll, policydriven datalagring och fullständig proveniensföring. Varje faktum inom graphen spårar tillbaka till sin ursprungliga källa episod, vilket möjliggör revisionsekonomi. Plattformen är designad för prestanda, demonstrerar under 200ms hämtlatid även med grafstorlekar upp till 100 miljoner entiteter. Designad för smidig integrering kan Zep läggas till befintliga medlare-ramverk eller användas oberoende, med SDK:er tillgängliga för Python, TypeScript och Go. Syftet är att fungera som ett grundläggande lager i enterprise-agent-stapeln, med ett skalbart och styrt lösningsalternativ för att hantera komplexa och föränderliga agentminne.
Radbrytning av kriterier
- Context Graph Engine
- Context Lake för miljoner av grafer
- Automatiserad assembly av kontext
- Temporalt kontextbegrepp
- Spårning av provins för fakta
- Observationer från minnesmönster
AI Drive är en intelligent dokumenthanteringsplattform som är utformad för att omvandla statiska dokument till interaktiva, sökbara kunskapsbaser. Den kombinerar molnlagring med avancerade funktioner för artificiell intelligens, vilket gör det möjligt för användare att ladda upp, organisera och interagera med sina dokument med hjälp av konverserande AI. Plattformen syftar till att göra dokumentanalys, sökning och samarbete mer intuitiva och effektiva inom olika branscher. Användare kan ladda upp olika filtyper, inklusive PDF‑filer, Word‑dokument, kalkylblad och bilder. Systemet möjliggör sedan omedelbara svar, sammanfattningar och insikter, drivs av ett urval av flera AI‑modeller, inklusive GPT‑5, Claude och Gemini. Denna flermodellsstrategi är optimerad för olika uppgifter, såsom analys, skrivande och forskning, och ger flexibilitet baserat på användarens specifika behov. Nyckelfunktioner inkluderar Automatic OCR, som konverterar skannade dokument till sökbar och redigerbar text med hög noggrannhet, samt Smart Metadata Extraction, som automatiskt identifierar kritisk information som titlar, författare och dokumenttyper. Plattformen erbjuder också Multi-Session Chat, vilket gör att användare kan arbeta med flera dokument samtidigt, och möjligheten att skapa Custom AI Agents med skräddarsydda prompts och kunskapsbaser för specialiserade uppgifter, såsom juridisk dokumentanalys eller finansiell rapportering. För utvecklare kan "Live Artifacts" generera HTML-komponenter och kod med realtidsförhandsgranskningar. AI Drive differentierar sina anpassade agenter från vanlig AI‑chatt genom att beskriva agenterna som "skickliga assistenter" som kan extrahera data i stor skala, manipulera PDF‑filer i mängder, söka igenom allt samtidigt och skapa leveranser såsom tidslinjer eller jämförelserapporter. Detta kontrasteras mot en "vanlig AI‑chatt" som kanske ger svar men inte utför storskaliga dataoperationer. Plattformen är byggd med företagsklassad säkerhet, med end‑to‑end‑kryptering (TLS under överföring, AES‑256 i vila), säker infrastruktur i Googles amerikanska datacenter, strikta åtkomstkontroller och ett åtagande att inte träna AI‑modeller på användardata. Efterlevnads‑certifieringar som ISO 27001 och SOC‑2 Type 2 anges vara under arbete.
Radbrytning av kriterier
- AI-driven dokumentchattgränssnitt
- Automatisk OCR för skannade dokument
- Smart metadataextraktion
- Multisessionchatt för samtidig dokumentarbete
- Anpassade AI-agenter med skräddarsydda kunskapsbaser
- Urval av flera AI-modeller (GPT-5, Claude, Gemini)
Mem0
En ihållande minneslager utformad för att ge långsiktig, personlig kontext för stora språkmodeller och AI-agenter.
Mem0 är ett AI-minnesskikt som integreras med AI-assistenter och agenter för att ge personligt och kontinuerligt sammanhang över interaktioner. Det syftar till att lösa utmaningen att upprätthålla användarpreferenser, anpassa sig till individuella behov och möjliggöra kontinuerligt lärande för AI-system. Verktyget använder en distinkt minnesalgoritm som fokuserar på ett enkelpass-, add-only-extraktionsapproach, vilket innebär att ny information läggs till utan att befintliga minnen skrivs över. Nyckel till dess funktion är agentgenererade fakta, som behandlas som information av första klass. Mem0 införlivar också entitetslänkning, där entiteter extraheras, inbäddas och kopplas samman över minnen för att förbättra hämtningens noggrannhet. Dessutom använder det sig av multisignal-hämtning, som kombinerar semantisk, BM25-nyckelords- och entitetsmatchning för att smälta samman olika poängsignaler, tillsammans med tidsbaserad resonemang för tidsmedveten hämtning. Mem0 erbjuder kärnfunktioner som hantering av minne på flera nivåer, hantering av användar-, sessions- och agenttillstånd med adaptiv personalisering. Det ger en utvecklarvänlig upplevelse med ett intuitivt API och plattformsoberoende SDK:er för Python och Node.js. Exempel på tillämpningar inkluderar AI-assistenter som kräver konsekventa, kontextrika konversationer, kundsupportchatbotar som återkallar tidigare interaktioner, hälsocare-system som spårar patientpreferenser och adaptiva upplevelser i produktivitetsverktyg och spel. Distributionsalternativen är flexibla, inklusive ett Python/npm-bibliotek för testning och prototypning, en självhostad server för team som hanterar sin egen infrastruktur, och en fullt hanterad molnplattform för produktion med noll drift. Plattformen rapporterar också höga riktmärkesresultat på utvärderingsramverk för minne som LoCoMo, LongMemEval och BEAM, vilket framhäver dess effektivitet och återvinningsegenskaper.
Radbrytning av kriterier
- Multi-Level Memory (Utgivar-, Session-, Agentstatus)
- Minnesextraktion med enkel passage, lägg till endast
- Entitetslänkning för förbättring av hämtning
- Hämtning med flera signaler (semantisk, BM25, entitetsmatchning)
- Tidsbaserad resonemang för tidskännande hämtning
- Utvecklar-API, Python-SDK, Node.js-CLI