Eywa：人工智能代理的基于来源的长期记忆

跨会话持续存在的人工智能代理需要可以检索、审核、更新和擦除的内存。现有的记忆系统经常将源证据、提取的事实、检索的上下文和答案策略折叠成一条不透明的提示路径，从而使故障难以诊断：错误的答案可能来自丢失的证据、不受支持的提取、过时的状态、检索丢失或答案模型行为。我们提出了 Eywa，一种基于起源的记忆架构，围绕证据而非信念构建。 Eywa 在推导规范事实之前存储不可变的源证据，根据类型信号和源支持验证提取的记忆，并通过确定性多路由读取路径检索有界内存上下文，检索内的 LLM 调用为零。检索到的上下文与答案指令分开返回，允许跨边界、预算和本地答案模型评估相同的内存基底。在冻结的、工件记录的检索配置下，Eywa 在使用 Claude Sonnet 4.6 编写和 QA 角色时，对 LoCoMo C1-C4 分割的判断准确率达到 90.19%。在 LongMemEval-S 上，检索充分准确率达到 88.2%。在 BEAM（一个包含 700 个问题的技术记忆压力基准）上，它达到了 81.45% 的平均金块分数和 85.29% 的 pass@score >= 0.5。每个问题的完整工件，包括问题、黄金答案、模型答案、检索到的上下文和标签，均发布在 https://eywa.to/research。