Kumiho: Graph-native KI‑Speicher mit formaler Glaubensrevision
Die neue Architektur Kumiho kombiniert graphbasierte Speicherstrukturen mit formaler Glaubensrevision, um KI-Agenten ein robustes, versioniertes Gedächtnis zu geben. Durch die Nutzung von unveränderlichen Revisionen, ve…
- Die neue Architektur Kumiho kombiniert graphbasierte Speicherstrukturen mit formaler Glaubensrevision, um KI-Agenten ein robustes, versioniertes Gedächtnis zu geben.
- Durch die Nutzung von unveränderlichen Revisionen, veränderbaren Tag‑Zeigern, typisierten Abhängigkeitskanten und URI‑Adressierung entsteht ein einheitliches System, das…
- Ein zentrales Merkmal ist die mathematische Verbindung zwischen dem AGM‑Rahmen für Glaubensrevision und der operativen Semantik eines Property‑Graph‑Speichers.
Die neue Architektur Kumiho kombiniert graphbasierte Speicherstrukturen mit formaler Glaubensrevision, um KI-Agenten ein robustes, versioniertes Gedächtnis zu geben. Durch die Nutzung von unveränderlichen Revisionen, veränderbaren Tag‑Zeigern, typisierten Abhängigkeitskanten und URI‑Adressierung entsteht ein einheitliches System, das sowohl Agentenarbeiten als auch kognitive Erinnerungen verwalten kann.
Ein zentrales Merkmal ist die mathematische Verbindung zwischen dem AGM‑Rahmen für Glaubensrevision und der operativen Semantik eines Property‑Graph‑Speichers. Kumiho erfüllt die Grundpostulate von AGM (K*2–K*6) sowie Hanssons Relevanz‑ und Core‑Retention‑Prinzipien, was die theoretische Fundierung des Systems stärkt.
In der Praxis setzt Kumiho ein Dual‑Store‑Modell ein: Redis dient als Arbeitsgedächtnis, Neo4j speichert langfristige Graphdaten. Durch die Kombination von Volltext- und Vektor‑Suche wird die Abrufleistung optimiert.
Die Leistung von Kumiho wurde an den Benchmarks LoCoMo und LoCoMo‑Plus getestet. Auf LoCoMo erreichte das System einen F1‑Score von 0,565 (n = 1 986) und zeigte gleichzeitig 97,5 % Genauigkeit bei adversarialen Ablehnungen. Im Level‑2‑Benchmark LoCoMo‑Plus erzielte Kumiho 93,3 % Genauigkeit bei der Rückerinnerung impliziter Einschränkungen (n = 401). Diese Ergebnisse übertreffen alle veröffentlichten Baselines deutlich – der beste Vergleichspunkt, Gemini 2.5 Pro, erreichte lediglich 45,7 %.
Die herausragenden Leistungen lassen sich auf drei architektonische Innovationen zurückführen: 1) Prospektive Indexierung, bei der LLM‑generierte zukünftige Szenarien bereits beim Schreiben indiziert werden; 2) ein hybrides Retrieval‑System, das Text‑ und Vektor‑Suche kombiniert; und 3) ein flexibles Tag‑System, das die Versionierung von Agentenarbeiten ermöglicht. Kumiho demonstriert damit, wie graphbasierte Speicherarchitekturen mit formaler Logik kombiniert werden können, um KI-Agenten ein leistungsfähiges, nachvollziehbares Gedächtnis zu verleihen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.