# 策展 · X (Twitter) 🔥🔥🔥

> 作者：Rohit (@rohit4verse) · 平台：X (Twitter) · 日期：2026-04-25

> 原始來源：https://x.com/rohit4verse/status/2048081996841435596

## 中文摘要

圖形是 Agent 記憶的最終 boss。

Rohit 強調，堆疊 Markdown 文件僅是重複載入提示的上下文，並非真正記憶；圖形結構（nodes、embeddings、traversal）才是生產級 Agent 記憶的核心，影片講座則揭示其架構。

**Markdown 記憶的規模瓶頸**

Markdown 方法在小規模有效，但一遇規模即崩潰：
- 無去重：同一事實散布三個文件，版本互相矛盾。
- 無衰減：一月偏好與昨日決定權重相同。
- 無排序：每次載入全量，模型僅挑選頂端內容。
- 超過 100 筆條目，vault 即成瓶頸。

**生產記憶的圖形解決方案**

生產記憶採用圖形原生設計，如 Zep、Cognee、Mem0：
- embeddings + BM25 混合檢索，相似度不等於相關性。
- FSRS 基衰減機制，讓舊記憶不再與新記憶爭奪上下文。
- 寫入時即解決矛盾，「最後寫入勝出」僅適用 Git，非記憶。
- 依最近性、頻率、關係訊號重新排序，才送入提示。

**對 Claude 程式碼的啟示**

在 200k 行程式碼庫中，context window 崩潰，檢索是解鎖關鍵：
- CLAUDE.md 記不變規範：執行方式、位置、何處勿碰。
- 記憶記演進狀態：上 sprint 決定、重複 bug 模式、團隊拒絕抽象。
- 全量傾倒得劣質輸出；精準檢索 chunks，效能如資深工程師。
harness 即是差異所在。

**Agentic GraphRAG 背景與 LLM 局限**

Stephen Chin（Neo4j 開發者關係團隊）在影片中指出，Agentic 系統常因 Gartner 預測的失敗與幻覺問題無法滿足場景。OpenAI o3 推理 API 示例：詢問教室容納女孩數（涉電腦科學偏見、數學推理），花 40 秒思考卻錯錨定「非攻擊性國王問題」（Non-attacking Kings problem），假設網格正方形；追問女孩男孩去家政或體育課，又產生偏見，錯結所有女孩上烹飪課。LLM 僅擅長語言，欠缺人類推理，高估其能力；知識圖譜（Knowledge Graphs）補足弱點。

**Agentic 運行時架構與挑戰**

Agentic 運行時包含編排層（Orchestration Layer）、LLM 模型、記憶與工具；Agent 觀察、思考、行動，透過 LLM 互動提升品質。但單體架構（Monolithic Architecture）難維護、換工具、安全。解決方案為 MCP（Model Context Protocol），如 AI 應用的 USB-C 接口：
- 客戶端-伺服器架構，相容多伺服器。
- 可組合、可共享、安全隔離、低門檻。
Neo4j 建 MCP 工具：Cypher 查詢工具、記憶模組、Neo4j Cloud Aura API。

**圖形記憶與 Agent 整合**

Agent 建模常用 LangGraph，將工具插入並結合圖資料庫。記憶基於圖形：Zep、Cognee、Mem0 皆跑 Neo4j 上。NVIDIA 影片搜尋摘要 Agent 用 GraphRAG + 向量管道（Vector Pipeline），結果更準、幻覺率低。醫療問題對比：LLM 直答與基準 RAG 失效，GraphRAG 經向量搜尋找 emphysema（肺氣腫）節點，提取治療管理資訊，提供完整準確答案。

**GraphRAG 架構模式**

GraphRAG 結合圖遍歷（Graph Traversal）與向量相似度（Vector Similarity），圖資料科學（Graph Data Science）助社群演算法分組。核心模式：
- Text2Cypher。
- 向量搜尋 + 圖上下文。
- 圖過濾（Graph Filtering）。
- Agent 多步推理。

**實際案例與未來活動**

Klarna 用 GraphRAG 取代 SaaS，整合企業 Wiki、HR 系統、內部文件，第一年答 25 萬員工問題，採用率 85%。推薦 Neo4j 認證開發者計劃（免費課程認證）；NODES 25 大會 2025 年 11 月 6 日，歡迎投稿。問答提及 Neo4j Python 函式庫、LangChain 整合，MCP 記憶為開源項目。 

此趨勢凸顯圖形記憶從 Markdown 工作繞道邁向生產架構，GraphRAG 解鎖 Agentic 系統精準推理，Rohit 與 Chin 均批 LLM 幻覺，呼籲圖形原生 harness 與 MCP 標準化。

## 標籤

Agent, 記憶系統, Embedding, 教學資源, Agentic AI