去中心化 AI 记忆：面向可扩展智能体推理的语义层次记忆索引 SHIMI
人工智能
2025-04-09 v1 多智能体系统
摘要
检索增强生成（RAG）和基于向量的搜索已成为 AI 系统记忆的基础工具，但在抽象性、可扩展性和语义精度方面尤其在去中心化环境中表现不佳。我们提出了 SHIMI（Semantic Hierarchical Memory Index，语义层次记忆索引），一种统一的体系结构将知识建模为动态结构的概念层次，使智能体能够基于语义而非表面相似性进行信息检索。SHIMI 将记忆组织为分层语义节点，支持从抽象意图到具体实体的自上而下的遍历，提供更精确、可解释的检索。关键的是，SHIMI 本身为去中心化生态系统设计，智能体维护本地记忆树并通过异步网络进行同步。我们引入的轻量级同步协议利用 Merkle-DAG 摘要、布隆过滤器和 CRDT 风格的冲突解决，实现最小开销下的部分同步。通过基准实验和涉及去中心化智能体协作的应用案例，展示了 SHIMI 在检索准确性、语义保真度和可扩展性方面的优势——将其定位为去中心化认知系统的核心基础设施层。
引用
@article{arxiv.2504.06135,
title = {Decentralizing AI Memory: SHIMI, a Semantic Hierarchical Memory Index for Scalable Agent Reasoning},
author = {Tooraj Helmi},
journal= {arXiv preprint arXiv:2504.06135},
year = {2025}
}