Zakaj smo našemu AI agentu dali orbitalni spomin namesto vektorske baze podatkov

Vsi gradijo RAG sisteme z vektorskimi DB. Mi smo našemu AI dali strukturiran pomnilniški sistem, ki dejansko razume kontekst.

Problem RAG

Retrieval-Augmented Generation (RAG) je standardni pristop za dajanje AI agentom spomina:

1. Sprejmi uporabniško poizvedbo: "Kako sem nazadnje obdelal avtentikacijo?"
2. Generiraj embedding vektor
3. Poišči v vektorski bazi podatkov za podobne vektorje
4. Vstavi top-K rezultate v prompt
5. Generiraj odgovor

Problem? Vektorska podobnost ≠ kontekstualna relevantnost.

Kdaj RAG odpove

Scenarij 1: Časovni kontekst

• Uporabnik: "Na kaj sem delal v torek?"
• Vektorska DB: Najde dokumente o "delu" in "torkovih sestankih"
• Realnost: Uporabnik želi njihovo specifično sejo izpred 5 dni

Scenarij 2: Ujemanje vzorcev

• Uporabnik: "Pokaži mi vse sezname pogledov, ki sem jih zgradil"
• Vektorska DB: Najde dokumente, ki vsebujejo "seznam" in "pogled"
• Realnost: Uporabnik želi entity-table patterne, uporabljene v sejah

Scenarij 3: Kavzalno sklepanje

• Uporabnik: "Zakaj je moja avtentikacija spodletela?"
• Vektorska DB: Najde dokumente o avtentikaciji
• Realnost: Uporabnik potrebuje verigo napaka → popravek → uspeh

Vektorsko iskanje najde podobno besedilo. Ne razume česa dejansko sprašujete.

Alternativa orbitalnega spomina

Namesto vektorskih embeddingov Almadarjev AI uporablja strukturiran orbitalni spomin:

• Entitete: Uporabniki, seje, projekti, patterni
• Relationships: Seja pripada uporabniku, uporablja patterne
• Časovni sled: Kdaj se je zgodilo, v kakšnem vrstnem redu
• Semantični kontekst: Kakšni so bili cilji, rezultati, nauki

To ni iskanje podobnosti. To je razumevanje strukture.

Prednosti

1. Časovni pomnilnik: "Kaj sem delal v torek?" → natančen odgovor
2. Pattern razpoznavanje: "Pokaži mi sezname" → vsi entity-table patterni
3. Kavzalne verige: "Zakaj je spodletelo?" → sled napake do rešitve

Vector DB išče besedilo. Orbitalni spomin razume pomen.