19岁，常青藤辍学，这群中国年轻人重构了AI记忆

唯一原生支持指代消解，Benchmark现象级领先

Claude Code源码泄漏的余波，还在AI圈持续发酵！

说起来还挺反常，Claude几乎Contribute了所有RAG记忆项目，结果泄露的代码却显示——

这就很矛盾了，Anthropic在官方文档和技术博客里，一直明确提到支持RAG检索。

而它“弃用”传统RAG的玩法，其实恰恰也说明了一个问题：现有的RAG解决方案，性能并没有达标。

从2023年起，混合检索就成了记忆引擎的标配逻辑，向量+关键词、加权排序……这些套路不断迭代。

但随着AI记忆场景越来越复杂，传统RAG的瓶颈也彻底暴露，明明叫记忆引擎，却还在干着搜索引擎的活儿，只会匹配相似文本，做不到真正的理解，更谈不上联想推理。

回头看AI记忆的演化路径，脉络其实非常清晰：

第一代是直接硬塞全量上下文，就像通读日记；第二代依靠向量+关键词匹配，类似查字典，可是只能找到相似内容，抓不住真实关联；

能够自主联想、推理、跨结构建立关联的认知模型。

让AI能够实现推理与联想，大家都知道跨粒度记忆的有效组织是关键。

简单点说就是让AI能同时处理细颗粒的事实和粗颗粒的上下文，还能在它们之间自由跳转（切换关联）。

但这个问题正是2023到2026年间，整个记忆引擎行业难以突破的核心瓶颈。

不过最近，我们观察到一个平均年龄19岁的中国年轻团队，心流元素，给出了可行解法——

M-FLOW，凭借自研的图路由Bundle Search架构，实现了benchmark的现象级领先。

对比Mem0、Graphiti、Cognee等主流方法，M-FLOW在多轮对话、长期记忆、多跳推理三大核心场景下，性能优势显著。

深度测评之后，可以更清晰地看到在覆盖写入、检索、预处理、知识组织等环节等29项能力维度中，M-FLOW在绝大多数关键维度上都实现了完整支持。（下图可上下滑动完整查看）

尤其在图增强检索、指代消解、多粒度索引等决定记忆质量的核心能力上表现突出。

这份成绩的背后，其实可以看到的是M-FLOW架构带来的系统性优势：

而且基本没什么使用门槛，部署流程非常简单，在具备Docker环境时只需要一行代码就能完成接入。

当然了，虽然上手简单，但在部署之前，咱也先来说说大家好奇的问题：

与当前行业里大量同质化的记忆方案不同，M-FLOW并不是用LLM辅助检索来抬高Benchmark分数，也不是简单叠加功能。

准确说，它是从根本上重构了AI记忆的组织与使用体系。

事实上，所有RAG系统都会面临的一个问题是，给定用户查询，如何精准定位存储的相关知识？

主流方案的逻辑很直接，就是将文档切块、向量化后存入向量库，检索时按余弦相似度排序。

这种方式本质上只回答“哪段文本和查询语义最接近”这一个层级的问题，对简单事实查找的效果还不错，但在复杂场景中会完全失效，因为：

究其原因，是因为平坦向量检索丢弃了知识的内在结构。

它能判断文本与查询的相似度，却完全不清楚这段文本在整个知识体系中的拓扑位置。

在这一点上，M-FLOW以图路由检索替代传统平坦检索，核心逻辑围绕分层知识拓扑展开，其核心洞察是：

不止找到“匹配的文本”，更要定位匹配点所属的完整知识结构，再对整个结构进行评分。