用 OpenWiki 与证据图谱为 AI 智能体构建持久记忆层

在企业级知识管理场景中，智能体需要同时处理政策文件、操作手册、工单和代码等分散在不同系统中的信息。找到相关段落只是第一步，更难的是判断哪些规则适用、哪些内容已被修订，以及不同来源之间如何相互影响。如果没有持久记忆层，智能体在每次任务中都要重新重建这些理解，导致成本高昂且容易出错。这一问题在保险和银行领域尤为突出，因为政策条款频繁相互引用和覆盖。

LangChain 的解决方案是 OpenWiki，一个基于 Deep Agents 构建的开源命令行工具。它能将原始文档编译成带有引用链接的 Wiki 页面，将源材料综合为解释关键概念及其关系的结构化知识。OpenWiki 中的每条陈述都对应一个「声明」，该声明与支撑它的原始文本行及其哈希值相关联。当原始文本发生变化时，哈希值随之改变，系统无需调用模型即可标记受影响的声明，从而实现更低成本、更确定性的过期检测。

为了量化记忆层的实际效果，LangChain 构建了一个包含 111 份长文档的合成保险文档库，并设计了 972 条事实构成的评测账本。文档库刻意引入了过期版本、矛盾内容、间接引用链和措辞差异，以模拟真实企业知识库的复杂性。评测分为 80 道简单查找题和 50 道需要跨文档推理的连接型问题，每道题重复提问三次，以衡量结果的稳定性。评测指标涵盖准确率、引用一致性（Jaccard 相似度）以及每次正确回答的成本与延迟。

实验结果清晰地呈现了两种场景下的差异。在简单查找任务上，搜索方案与 Wiki 方案的准确率分别为 0.84 和 0.83，表现相当，但 Wiki 方案的延迟从 9 秒增加到 12 秒。在连接型问题上，Wiki 方案的准确率从 0.10 大幅提升至 0.52，每次正确回答的成本也从约 0.55 美元降至 0.19 美元。然而，即便如此，Wiki 方案在连接型问题上的引用一致性仍从简单查找时的 0.74 下滑至 0.25，说明单靠 Wiki 还不足以保证答案的可复现性。

为解决引用不稳定的问题，LangChain 在 Wiki 之上引入了证据图谱，将 Wiki 中的引用和文档交叉引用转化为智能体可以主动追溯的显式图边。这一改进使引用一致性翻倍，准确率进一步提升 27%，每次正确回答的成本下降 58%。证据图谱让智能体不仅能获取编译后的领域知识，还能沿着证据链回溯到原始支撑材料，从而在准确性与可审计性之间取得更好的平衡。

这项实践为构建企业级智能体提供了清晰的工程参考：对于跨文档推理任务，编译式 Wiki 加证据图谱的组合能显著提升准确率和一致性；而对于简单的单段落查找，传统搜索方案在速度和成本上仍具优势。LangChain 建议团队根据任务类型灵活选择记忆策略，并将 OpenWiki 的自我修正机制作为知识库持续更新的基础设施，而非一次性的静态索引。

要点

• 在跨文档推理任务中，接入 OpenWiki 记忆层的智能体准确率约为纯搜索方案的 5 倍（0.52 vs 0.10）。
• 在 Wiki 基础上引入证据图谱，可使引用一致性翻倍、准确率提升 27%、每次正确回答成本下降 58%。
• 对于简单的单段落查找任务，Wiki 方案与搜索方案准确率相当，但延迟略有增加，搜索方案更具性价比。
• OpenWiki 通过哈希校验机制实现无需模型调用的过期检测，使记忆层能够随源文档变化自我修正。
• 证据图谱将引用关系转化为可追溯的图边，提升了智能体答案的可复现性与可审计性，适合对合规性要求较高的业务场景。