activegraph

ActiveGraph 发布了七个运行时版本（1.2.0 到 1.7.1），用于加固其自主智能体的参考包，增加了安全的 fork-测试-推广循环，支持子进程隔离、清单哈希和完整的事件日志记录。

ActiveGraph是一个将append-only event log作为agent本身的事件溯源运行时，通过图投影实现确定性重放、分叉实验和端到端溯源，为长期可审计的agent系统提供新架构。

Yohei Nakajima 正在 AI House 介绍 Activegraph。

ActiveGraph宣布了两篇关于代理记忆（LongMemEval）和自我改进机制的新论文，并提供了参考代理、包模板以及即将在西雅图和旧金山举行的聚会。

作者展示了一种受控的自我改进方法，适用于AI智能体，使用一种称为“regime-to-seam”的方法，将失败分类以修复目标区域，该方法基于activegraph构建。

本文介绍了Regimes，一种基于ActiveGraph运行时的可审计、保留门控改进循环，用于自我改进代理。它通过在LongMemEval数据集上自主发现通过静态检查、沙盒执行和保留验证的提示修复，展示了适度的改进。

Regimes是一个建立在ActiveGraph事件溯源运行时上的可审计、保留样本门控的改进循环。它诊断AI智能体中的失败，提出修复方案，并仅在通过多重门控后才予以提升，将LongMemEval上的准确率最多提高了+0.10。

Yohei Nakajima 发布了一个交互式网站，教授 ActiveGraph 概念，以及 AG Coder，一个基于 ActiveGraph 的开源参考编码代理。

Yohei Nakajima 分享了一个 activegraph 上编码智能体的演示，该智能体自动生成追踪和图形。

一个基于activegraph的深度研究代理，提供声明、来源和代理活动的完整图追踪。

Yohei Nakajima强调，在activegraph上构建智能体会自动产生一等公民的追踪记录，这不同于事后添加的解决方案，并通过一个编码智能体实验进行了演示。

在我们的第二次longmemeval实验中，我们引入了基于ActiveGraph运行时的语义摄取到召回中，通过LLM摄取将平面/智能体检索的召回率从60.6%提升到83.4%/84.8%。

ActiveGraph引入了一种确定性的非生成式方法，在语义记忆之前进行证据汇编，在LongMemEval-S上实现了85.6%的问答准确率和86.2%的上下文回合答案准确率。

Yohei Nakajima 庆祝 ActiveGraph 在 arXiv 上首次被引用，作为互补运行时，并提到仓库中已包含可用的桥接示例。

Yohei Nakajima 在 ActiveGraph 上运行了 LongMemEval 基准测试，取得了 85.6% 的问答准确率和 86.2% 的回合上下文答案准确率，展示了基于事件的智能体系统在长期记忆方面的有效性。

一位开发者使用Active Graph和monid_ai构建了一个完全可追溯且可分支的研究代理，确保每个声明都直接追溯到其来源，并在大约30分钟内使其正常工作。