标签
Napster已转型为AI代理平台，说明AI训练数据如何迅速过时，导致模型在关于公司身份的信息上提供自信但不正确的答案。
本文认为，智能体记忆系统的评估只看召回率，而不看召回的事实是否仍然为真；并提出一个“过时正确性”（correctness under staleness）基准，结果显示向量存储在 68% 的情况下会返回过时事实。
讨论AI智能体可靠性中的一个盲点：缓存在获取时是真实的事实，但在使用时已经过时，导致一致但不正确的行为。提出将一致性（与源匹配）与时效性（源目前仍然真实）分开，并询问社区如何处理这个问题。
提出了一种无需训练的多跳检索增强生成方法，避免在底层数据变化时进行昂贵的图重建，解决了动态环境中的过时问题。