# 策展 · X (Twitter) 🔥

> 作者：Charly Wargnier (@DataChaz) · 平台：X (Twitter) · 日期：2026-04-24

> 原始來源：https://x.com/DataChaz/status/2039685430937874754

## 中文摘要

# 100 萬 token 的幻覺：Oracle 的融合資料庫如何解決 AI 失憶症

我們來談談目前 AI 領域最大的幻覺：

認為巨大的 context window 可以取代真正的記憶。

業界目前對 100 萬 token 的上限感到癡迷。

但將 20 萬個 token 強塞進一個 Prompt，並不會讓你的 AI 擁有長期大腦，它只是給了 AI 一個更大的短期草稿紙。

一旦對話結束，那塊白板就會被擦掉。

你的 LLM 再次醒來時，會患上嚴重的失憶症！

即使是標準的 RAG 管道也無法解決這個問題。

RAG 本質上只是在檢索靜態的公司 PDF 文件。它不會隨著時間推移而適應或學習使用者的資訊。

🚨 @Oracle 最近開源了真正能解決這個問題的藍圖，今天我想帶大家深入了解這套架構。

要打造一個不會忘記事情的 AI，你必須將 LLM 視為作業系統。

AI 模型是 CPU，context window 是記憶體，而資料庫則充當硬碟。

根據普林斯頓大學的 CoALA 架構，一個可靠的認知架構需要模擬人類的記憶：

✦ 工作記憶 (Working Memory) → 活躍的 context window (記憶體)

✦ 程序記憶 (Procedural Memory) → 系統 Prompt 和 Agent 工具邏輯 (JSON)

✦ 語意記憶 (Semantic Memory) → 提取出的事實與世界觀 (Vector Embeddings)

✦ 情節記憶 (Episodic Memory) → 帶有時間戳記的對話紀錄 (關聯式資料表)

---

## 大多數建構方式的問題：

開發者通常試圖透過拼湊三種不同的資料庫來實現這一點：

1. 用於向量搜尋的 Pinecone

2. 用於圖形資料庫的 Neo4j

3. ……以及用於關聯式紀錄的 Postgres

這實際上引發了一場巨大的合規性惡夢。

如果在更新記憶時網路請求中斷，Agent 的時間軸就會徹底崩潰。

@Oracle 繞過了這種脆弱的架構。

他們的融合資料庫在單一、統一的引擎中原生處理 AI Vector Search、SQL 圖形查詢和關聯式紀錄。

當你的 Agent 處理一個新事實時，向量 embedding 和稽核紀錄會同時在一個符合 ACID 標準的交易中完成更新。

這意味著不會有資料損毀，也不需要維護堆疊的膠水程式碼。

---

理論說得夠多了，來看看程式碼吧！🔥

如果你想親手打造這種架構，我將帶你了解如何使用開源工具包快速上手 Oracle。

---

## 1/ 「Oracle AI Dev」中心

🔗 連結在這裡：https://fandf.co/3NHLHlB

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777065794932-diaHE5KxTasAAPoGXjpg.jpg)

這是基礎儲存庫，它將「融合式 AI 記憶」從架構理論轉化為可部署的程式碼。

它消除了建構有狀態 Agent 的所有複雜性。

> 💡 在這個中心，你會發現：

→ 實用演示：End to End (端到端) 的應用程式，證明向量搜尋和 Agent 邏輯如何在一個環境中乾淨地運行。

→ 手把手程式碼：引導你從零開始建構 AI Agent 的逐步教學筆記。

→ 策略手冊：概述如何賦予 AI 程序記憶、語意記憶和情節記憶的完整簡報。

---

## 2/ Oracle 6 層記憶筆記

🔗 在此查看筆記：https://fandf.co/4burHuy

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777065794918-iaHE5LXCcbAAAgHq8jpg.jpg)

要超越基礎的靜態 RAG，你需要這份筆記。

它包含了設計一個真正的「硬碟」所需的精確 Python 程式碼，讓你的 Agent 能從使用者身上學習。

> 💡 你會發現：

→ 動態學習：基於使用者互動進行調整的「記憶管理器」背後的核心邏輯。

→ 6 層記憶：用於管理從情節對話紀錄到語意實體提取等所有內容的可部署程式碼。

→ 本地測試環境：一個無縫的 Docker 設定，讓你可以在本地運行融合資料庫並立即進行測試。

---

## 3/ OCI RAG 實作指南

🔗 OCI RAG 指南連結：https://fandf.co/4by42JL

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777065795172-iaHE5Lj1hbkAAUFwfjpg.jpg)

一旦你的 Agent 在本地順利運行，這個儲存庫就是你進入企業級生產環境的指南。

它提供了雲端部署所需的一切！

> 💡 你會發現：

→ 雲端資料庫配置：將 Oracle Autonomous Database 部署為 AI 骨幹的精確藍圖。

→ OCI Generative AI Agents：將大型語言模型連接到即時生產資料的安全方法。

→ 使用 A2A 協定 + LangChain 建構多 Agent RAG 系統 https://fandf.co/4v6fsNF

---

以上就是這次的分享 🙌

非常感謝 @Oracle 團隊讓這次深入探討成為可能。

非常感激這次的合作。他們的回應速度很快，我在過程中也學到了很多！

覺得這篇文章有幫助嗎？

♻️ 幫我轉發並追蹤我 → @datachaz，獲取每日 LLM、AI Agent 和資料管道的最新資訊。

## 標籤

LLM, RAG, 記憶系統, 產業趨勢, Oracle