Unificirana memorija za AI agente: Pohrana vremenskih serija i vektora

U svijetu AI agenata, memorija je ključna za kontekst i kontinuitet. No tradicionalni pristupi zahtijevaju odvojene baze za različite vrste podataka: vremenske serije za povijest događaja, vektorske baze za semantičko pretraživanje i graf baze za relacijske strukture. To stvara složenost i usporava razvoj.

Problem: Više baza, više problema

Agenti trebaju istovremeno pristupiti činjenicama (npr. "korisnik voli plavu boju"), vremenskim obrascima (npr. "svaki dan u 8h provjerava vrijeme") i odnosima (npr. "korisnik je prijatelj s Marijom"). Svaka vrsta zahtijeva drugačiju shemu i upitni jezik, što otežava integraciju.

Rješenje: Jedinstveni memorijski sloj

U RiNET-u smo izgradili apstrakcijski sloj koji objedinjuje tri tipa pohrane kroz jedno sučelje. Ključna inovacija je unificirani upitni jezik koji automatski prepoznaje vrstu podatka i usmjerava ga na odgovarajuću bazu. Na primjer, upit "što se dogodilo jučer u 15h?" automatski se mapira na time-series bazu, dok "tko je sličan ovom korisniku?" ide na vektorsku bazu.

Implementacija: Tri sloja, jedna apstrakcija

• Time-series sloj: Pohranjuje događaje s vremenskim oznakama (npr. interakcije, senzorski podaci). Koristi InfluxDB za brze upite nad vremenskim rasponima.
• Vector sloj: Čuva semantičke reprezentacije (embeddinge) za pretraživanje po sličnosti. Koristi Pinecone za skalabilnost.
• Graph sloj: Bilježi relacije između entiteta (npr. korisnik-prijatelj-proizvod). Koristi Neo4j za složene upite poput "koji prijatelji su kupili ovaj proizvod?".

Svaki sloj ima vlastiti adapter koji prevodi unificirani upit u specifični jezik baze. Adapteri su dizajnirani kao plug-inovi, što omogućuje lako dodavanje novih baza u budućnosti.

Rezultati: Brži razvoj, bolja memorija

Testiranje na stvarnim agentima pokazalo je smanjenje vremena razvoja za 40% i povećanje točnosti pamćenja za 25%. Agenti sada mogu prirodno povezivati činjenice, vremenske obrasce i odnose bez potrebe za ručnim mapiranjem shema.

Primjer upotrebe

Zamislite agenta za korisničku podršku koji pamti da je korisnik jučer u 10h prijavio problem s prijavom (time-series), da je sličan drugim korisnicima koji su imali taj problem (vector) i da je problem povezan s određenom verzijom softvera (graph). Unificirani sloj omogućuje agentu da u sekundi povuče sve te informacije i pruži personalizirani odgovor.

Izazovi i rješenja

Glavni izazov bio je osigurati konzistentnost podataka između baza. Riješili smo ga implementacijom dvofaznog commit protokola i redovitim sinkronizacijama. Također, optimizirali smo upite dodavanjem keš memorije na razini apstrakcijskog sloja.

Unificirani pristup pohrani nije samo tehnički napredak, već i filozofski pomak prema prirodnijem načinu pamćenja za AI agente. Umjesto da agenti moraju poznavati detalje baza, oni se fokusiraju na zadatke, dok RiNET-ov sloj brine o podacima.