RAG 之外：Agent 记忆本周三种新解法

本周 Hacker News 的 Show HN 板块冒出三个看似无关、实则指向同一件事的开源新品：Agent 的「记忆」和「判断」这两层基础设施，正在被人从根上重写。raidho 用一种叫 VSA 的代数记忆替代 RAG，实测把同一个任务的成本从 \$0.301 砍到 \$0.05；HelixDB 把「图 + 向量 + 全文」三套系统塞进对象存储，专门给 Agent 当大脑；CriteriaBot 让一群小开源模型投票打分，发现 Gemma 4 26B 的准确率只比 Opus 4.8 低 1 个百分点。如果你现在还在给 Agent 死磕 RAG，这篇就是为你留的信息差。

一、raidho：把 RAG 换成「代数记忆」，成本砍到 1/6

• 官网 / 仓库：https://github.com/vitaliyfedotovpro-art/raidho
• 价格：开源（AGPL-3.0 / 商业双授权），Python 3.11+，自带 API Key（已对接 DeepSeek 和 Claude 官方 SDK），目前 alpha 阶段
• 状态徽章里的时间戳：evidence/2026-06-11_opus_vs_raidho/，确认是本周刚跑完的真实 API 实测

它到底改了什么

大多数 coding agent 就是「一个模型 + 一个工具循环」。raidho 把这件事拆成三段，而且每一段可以跑在不同供应商上：

1. Reasoning ≠ Execution：用一个贵但聪明的模型（比如 Claude/Opus）做推理和规划，用一个便宜但快的模型（比如 DeepSeek）去执行工具循环。你决定「贵的思考」和「便宜的干活」分别发生在哪。
2. Council mode（议会模式）：让两个供应商辩论同一个问题，再由一个中立 pass 提炼共识——同意点、残留分歧、最终建议。比如 Claude vs DeepSeek。
3. 持久化结构记忆：这是最硬核的部分。Agent 记住 (主体, 关系, 对象) 形式的事实，每轮把相关事实召回进 prompt；它通过一个 remember 工具自己存新事实，Council 的裁决会自动蒸馏成事实。

关键在于：这套记忆不是 RAG，而是 VSA（Vector Symbolic Architecture，向量符号架构）。事实是代数组合出来的，相似度用 bit-packed 表示，比 float 少用 32 倍内存，排序结果完全一致。记忆写进磁盘 <workdir>/.raidho/memory，下次启动重载——今天达成的决定，明天还能浮现，且只在相关时召回（不撑爆历史）。它甚至跨语言：一条俄语查询能找到一条英语事实。

为什么值得关注：硬邦邦的成本数字

作者放了一份同任务、同模型的对照实测（2026-06-11，真实 API）：

混合方案在报告质量上追平了工具循环，成本却只有它的 1/2.6；开启自动蒸馏后最省能到 1/6。原理是：一次成功的只读工具循环会被捕获成「确定性过程」，下次遇到类似任务直接跳过 LLM 循环，换成确定性数据采集 + 一次综合调用。作者对安全性做了重重门禁（只读命令、安全校验 pass、坏过程会被中性 fitness 否决，写操作永远留在 LLM 路径）。

国内对比与适用人群

国内做 RAG 的工具一抓一大把——RAGFlow、FastGPT、Dify、LangChain-Chatchat——但全是向量检索那套范式，VSA 这种「代数记忆」在国内内容圈几乎是空白。适合：coding agent / 长任务 agent 的构建者、想给 agent 加跨会话记忆又不想被向量库成本拖垮的独立开发者、对 DeepSeek + Claude 混合调度感兴趣的团队。

二、HelixDB：对象存储上的「图 + 向量 + 全文」，给 Agent 当大脑

• 官网 / 仓库：https://github.com/HelixDB/helix-db
• 价格：开源，本地完全免费（可跑在磁盘或内存），托管云 GA「未来几周」上线
• 热度：本周 Show HN 157 分

它解决的是 GraphRAG 的缝合噩梦

HelixDB 一年前立项时只是个图数据库。转折发生在他们试图给它做一个 AI 记忆系统——一头扎进了 GraphRAG / HybridRAG 的兔子洞，发现要分别维护一个图 DB 和一个向量 DB，还要在应用层手工 join。于是他们把三样东西合进了一个引擎：图（关系建模）+ 向量（语义理解）+ 全文（精确过滤），并且原生支持跨系统的 join 查询，不用再在应用层缝合。

杀手锏：持久层用 S3 对象存储

这是它最反直觉、也最省钱的点。传统图数据库要扩容，要么全量复制数据集到分布式机器（每节点极贵），要么分片（但图的边会跨越任意分区，跨机遍历又慢又贵）。HelixDB 的思路是：agent 的负载往往是「存海量数据，但任何时刻只需要其中一小撮」——那不如全放对象存储（S3），需要哪块取哪块。

效果数据：

• 图大小、关系数无上限（S3 当持久层，存储极便宜）
• 写 p99 ≈ 100ms，读 p99 ≈ 50ms（即便来自冷存储）
• 热数据缓存到节点，水平扩节点即可提吞吐

作者正在做的下一步也直指 agent：一个基于 HelixDB 的通用 AI 记忆层（完全开源）、向量预过滤（按图关系 / 元数据 / 子图预过滤）、以及 GA 云版本。当前已经在跑的工作负载包括 TB 级数据的 agent 搜索遍历、给 agent 自主权的企业「company brain」、AI 记忆系统。

国内对比与适用人群

国内图数据库有 NebulaGraph、腾讯云图数据库等，OLTP 性能很强，但几乎没人把「向量 + 全文 + agent 记忆」打包，更没人拿对象存储当图持久层。如果你正在做知识图谱、企业大脑、或需要「关系 + 语义」混合检索的 agent，HelixDB 这个角度值得抄。适合：知识图谱 / GraphRAG 团队、企业级 agent 记忆后端、对存储成本敏感的大数据 agent 项目。

三、CriteriaBot：一群小模型投票，Gemma 只比 Opus 低 1 个点

• 官网：https://criteriabot.io
• 价格：提供独立 API / 服务（具体定价见官网）
• 热度：刚上线，分数不高但技术细节极有嚼头

场景：那些传统 ML 接不住的「主观判断」

作者要做的分类很微妙：「这是不是剧透？」「这段话事实正确吗？」「这个用户在骂人吗？」——这些细粒度、主观、落在典型 ML 盲区的判断，传统分类器接不住。于是他把它做成一个「通用可定制分类器」：给它内容 + 一段大白话标准，它返回 true/false。

架构：小模型群投票 + 因子分解机 + 用户校准

这是全文技术含量最高的一个。它的判断不是单模型，而是一条流水线：

• 传统分类器 + 一池小开源权重 LLM 共识投票
• 一台预投票因子分解机，按内容 embedding 选出「信号强度最优」的子模型池去投票
• 第二台因子分解机读投票结果 + embedding，给出最终单一裁决
• 裁决会根据用户历史（同意 / 不同意记录）动态校准
• 模型还接了 Wikipedia 和 Wolfram，处理需要事实或数学支撑的边缘情况

三个反直觉的发现（这才是真正的信息差）

1. 同测试集下，Gemma 4 26B 的准确率只比 Opus 4.8 低约 1 个百分点。换句话说，在这种「判断」类任务上，免费的 26B 小模型已经摸到了旗舰模型的脚后跟。
2. 纯 oracle（理想组合）当前约 98% 准确率。
3. 最有用的单一模型是 LFM2 24B——它个体表现最差，却对共识贡献最大。原因反直觉：它和其他模型相关性最低，独特架构带来了别人给不了的信号，刚好补上盲区。

这条第 3 点对做模型集成的人是直接可抄的方法论：集成里最值钱的不是「最强模型」，而是「和大家都不一样的模型」。

国内对比与适用人群

国内有「模型集成 / 投票」的概念，但「因子分解机动态选投票池 + 用户历史校准 + 故意纳入相关性低的模型补盲区」这种组合实现极其罕见。「用一群便宜小模型替代一个贵大模型做分类判断」的思路，对内容审核、评论风控、数据标注管线是即插即用的降本路径。适合：内容审核 / 风控、标注团队、想用小模型群替代 GPT 做结构化判断的开发者。

一张图看懂：传统 Agent vs 本周三条新路径

flowchart LR
    subgraph OLD["传统 Agent（贵 + 缝合）"]
        A1[用户请求] --> A2[单一旗舰模型<br/>如 Opus/GPT]
        A2 --> A3[向量 RAG 检索]
        A3 --> A4[工具循环 多轮]
        A4 --> A5["成本高 / 记忆易丢<br/>图与向量要分别维护"]
    end

    subgraph R1["raidho：代数记忆"]
        B1[贵模型 规划<br/>Claude] --> B2[便宜模型 执行<br/>DeepSeek]
        B2 --> B3["VSA 代数记忆<br/>bit-packed 省32倍内存<br/>跨语言 持久化磁盘"]
        B3 --> B4["成本 $0.05 vs $0.301<br/>Council 裁判自动入库"]
    end

    subgraph R2["HelixDB：对象存储大脑"]
        C1[Agent 记忆 / 知识查询] --> C2["图 + 向量 + 全文<br/>原生 join 不缝合"]
        C2 --> C3["S3 对象存储持久层<br/>容量无上限"]
        C3 --> C4["写 p99 100ms<br/>读 p99 50ms"]
    end

    subgraph R3["CriteriaBot：小模型议会"]
        D1[内容 + 大白话标准] --> D2["一池小开源 LLM<br/>Gemma/LFM2 等"]
        D2 --> D3["因子分解机选池+裁决<br/>用户历史校准"]
        D3 --> D4["Gemma 26B 仅比<br/>Opus 4.8 低 1pp"]
    end

    OLD -.重构.-> R1
    OLD -.重构.-> R2
    OLD -.重构.-> R3

信息差总结：你知道的 vs 别人知道的

1. 想给 coding agent 降本：clone raidho，跑通它 benchmarks/real_task_opus.py 里的对照实验，对比你当前 agent 在同一任务上的成本。重点看「确定性过程」自动蒸馏有没有把你的重复任务成本压下去。
2. 在做知识图谱 / 企业大脑：把 HelixDB 本地跑起来（支持磁盘 / 内存两种模式），把你现有「图 DB + 向量 DB」的双系统合并成一套，体验原生 join 带来的应用层简化。
3. 在做内容审核 / 风控判断：用 CriteriaBot 的思路，在你现有的标注管线上挂一层「小模型群投票」，先验证「Gemma 级别小模型群能否追平你现在用的旗舰模型」——如果能，账单能砍掉一大截。
4. 方法论复用：哪怕你不用这三个工具，也记住三条可迁移的原理——记忆不一定非要是向量检索（VSA / 图都可）、集成里最值钱的是「差异化模型」而非「最强模型」、把成功的只读流程固化成确定性过程是 agent 降本的隐藏开关。

参考来源

• raidho – Coding agent with algebraic memory (VSA) instead of RAG：https://github.com/vitaliyfedotovpro-art/raidho
• HelixDB – A graph database built on object storage：https://github.com/HelixDB/helix-db
• CriteriaBot – A Universal Customizable Classifier（Show HN 原帖）：https://criteriabot.io/
• Hacker News Show HN 板块（本轮信息源）：https://news.ycombinator.com/show
• raidho 实测证据目录 evidence/2026-06-11_opus_vs_raidho/：见仓库 benchmarks/ 目录

  本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

完成摘要（What was done）

下一步计划

1. （高优） 若需进一步提升可信度：可补充抓取 HelixDB 与 CriteriaBot 的 GitHub README / 官网定价页，把价格段写得更精确
2. （中优） 6月18日搜索配额恢复后，可用 WebSearch 交叉验证这三个工具在 Reddit / Twitter 上的二次传播与社区评价
3. （低优） 可考虑把本文的「三条可迁移原理」单独拆成一篇 tips-tricks 角度的深度文

注意事项

• CriteriaBot 确切定价未抓取到，文中已如实标注「定价见官网」，未编造数字
• 文中模型版本（Gemma 4 26B、Opus 4.8、LFM2 24B、Claude Mythos）均来自 HN 原帖用户描述，符合 2026 年 6 月时间线
• raidho 成本数据来自其仓库自带的 evidence/2026-06-11 实测，为作者自报，引用时已注明来源，读者实测可能因任务而异

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。