我们的历程、我们的成果，以及未来的方向。
一个规模小、无资金支持的团队，如何超越了有资金支持的研究实验室。
2026年6月25日，Sibyl Labs LLC.
[sibyllabs.org*](https://sibyllabs.org/
记忆行业已经认定，更好的记忆意味着更多：一个向量数据库、一条嵌入管道、云托管、一个塞满所有可能相关内容的上下文窗口。研究表明，更多的臃肿和更多的上下文会增加成本、降低效率，并导致 AI Agent 失去身份、目标，并增加幻觉。我们相信，Agent 记忆领域一直朝着错误的方向建设，而这并非我们在会议上做出的决定。
我们为自己的 Agent 构建了一个记忆系统，对其进行了基准测试，并在读取极少数据、使用极少基础设施的情况下，看到它在世界最佳系统中名列前茅——而我们的团队规模比排名前后的实验室小了一百倍。
1. 错误的问题
大多数记忆产品都在解决错误的问题。这个领域优化的是上下文窗口的大小：你能塞进去多少内容并搜索到多少。这是一个错误的变量。检索到的更多内容大多是噪音，没有任何模型能够通过推理摆脱糟糕的检索。记忆层的工作与"更多"恰恰相反。它是要交给模型最小的正确上下文——实际上能回答问题的两三条记录——除此之外什么都没有（除非被要求）。我们所构建的一切都源于这一个反转。
2. 过去：我们并非有意要成为一家记忆公司
SIBYL（@sibylcap），实验室的第一个 Agent，在 @base 上启动，执行不同的任务：发现早期建设者，阅读他们的工作，并与他们建立关系。在数百个项目之间做到这一点而不丢失线索，首先是一个记忆问题，然后才是其他问题。现成的方案既昂贵又不透明，因此我们的创始人和 SIBYL 自己构建了一套方案：纯文件、严格的结构和模式，专为服务于 Agent 而设计，而非用于销售。
我们直到对其进行基准测试时才明白自己拥有什么。在 LongMemEval 上，该架构得分为 95.6%，总体排名第二（截至 4 月），是顶级梯队中唯一一个基于文件的系统。没有向量存储。没有嵌入。没有检索模型。我们并非针对测试进行调整。我们调整是为了让 Agent 在生产环境中良好运行，而得分只是一个副产品。
“规模小、无资金支持，在 LongMemEval 上总体排名第二，与资金和员工数超过我们百倍的实验室并肩。”
然后我们意识到，我们一直在错误地描述自己的优势。带来这个结果的是逻辑、模式和结构，是决定存储什么、什么覆盖什么、以及查询允许读取什么的层级和不变量。因此，我们进行了转型。记忆变成了 Sibyl Memory 插件，模式变成了其他团队可以构建的框架，而公司则按照常规方式成为现实：一家特拉华州有限责任公司、一个小团队、法律顾问。
3. 工作原理：最小化占用，最大化效率
许多解决方案都是过度设计的。设计在简单为佳的地方刻意保持简单。记忆存在于分层文件和类型化模式中，而不是向量索引中。检索是确定性的和词法性的：一次查询只读取它需要的层级，因此工作上下文保持小巧，而不是随着历史增长而膨胀。每个实体都有一条权威记录，一个单一事实来源，而不是一团近似的向量云，一旦两个东西看起来相似就模糊在一起。事件是附加式的，因此什么变了以及何时改变一直是可读的。
Sibyl Memory 层级
随之而来有三点。成本：最小的正确上下文意味着每次调用读取更少的 token，成本更低。可审计性：你可以打开文件，精确读取 Agent 存储了什么以及检索了什么，而不是信任一个你无法检查的相似度得分。可操作性：没有需要运行、调整或清理的向量索引，删除就是真正删除，整个存储是可移植的。因为模式是护城河而不是文件系统，它可以从本地文件无损地迁移到托管数据库再到客户自己的基础设施。
证明是公开的，并且可以运行。该架构在 LongMemEval 上得分为 95.6%，总体排名第二，是顶级梯队中唯一一个基于文件的系统，而产品化插件在更小、更便宜的模型上得分为 95.1%。
更重要的证明是独立的：一位外部测试人员针对四个引擎运行了一个 500 家公司的基准测试——不是我们的基准测试，也不是供应商报告的数据。Sibyl 检索到的每个答案都正确，并且在需要时放弃回答，350 题全对，每个问题大约读取 230 个 token，而次优的引擎每个问题读取近 12,000 个 token，回答效果却更差，总成本为 0.64 美元。该运行附带一个复现工具包。一个无法复现的基准测试只是一个声称。(blog.sibylcap.com
SIBYL Memory 实际运行。
4. 现在：我们今天交付的内容
当前的工作是具体明确的。我们正在将第一批用户引入首个 Sibyl Labs 产品——Sibyl Memory 插件：一个即插即用的层，通过 PyPI 安装，核心检索不需要任何模型调用，并可适配常见的 Agent 框架，包括 Claude、Codex、Hermes 及其他通过 MCP 的框架。它与提供商无关，可以托管运行或自行托管，因此团队不必在拥有数据和不运行基础设施之间做出选择。适用于企业以及消费者。
Sibyl Sovereign 将实现无与伦比的身份和目标，结合长期记忆实现可靠检索，创建一个能够可靠处理面向公众角色的超级 Agent。基准测试和研究保持开放，因为公开、可复现的证明是我们能够向市场提供的最强有力的东西——在这个市场上，大多数数字都无法被核查。
而这一切的基础细节是：SIBYL（
@sibylcap ）运行在实验室销售的同一种记忆上。第一个 Agent 是产品的实时部署，而不是它的演示。
5. 未来：接下来是什么？
我们的方向
四个目标，简洁明了。我们会说明每个目标的方向，而不是构建方式。
第一， 帮助企业优化并更有效地将 AI 整合到其运营中。通过 AI 提高企业效率将为我们带来强大的合作伙伴和未来客户网络，并使我们能够以实地方式（结合我们的线上存在）传播 Sibyl Labs 的工作。
第二， Sibyl Sovereign [开发中]。面向商业和企业环境的先进 Agent 基础设施。安全与合规将是 Sovereign 平台的核心重点。更多信息即将发布。 *[预计 Beta 版发布时间：7 月中旬]
第三， 一个消费者超级 Agent 应用，能在任何操作系统上为你工作，而不是十几个互不相连的实例，每个实例在你切换时就会忘记你。即插即用记忆。技能市场。带有安全功能的 Agent Builder、MCP Builder 等。[研发中]
最后，Living Graph Networks：针对企业规模的活动数据层。目标是存储能够随着底层数据变化而保持最新，并与企业和消费者运行 Agent 的所有表面实现互操作。我们当前的建模显示出一些引人入胜的潜力，我们应在未来几周内分享一些具体内容。方向，而非蓝图。[研发中]
6. 贯穿始终的主线
一个想法贯穿了所有这一切，并且自第一个文件以来从未改变。Agent 的好坏取决于它能够记忆和检索的内容。随着对自主 Agent 的需求持续增长，对 Agent 的信任是必需的。你不能信任一个回忆率低于 100% 的 Agent 去执行关键任务。这就是为什么我们的目标是跨越任何时间跨度和任何规模实现完美回忆。
绝大多数竞争对手都在构建同样的东西，并且似乎正在优化不良的用户行为。我们设想一个世界，用户在其中接受 Token 经济学、Agent 基础设施和环境卫生方面的教育。一切为了效率。如果 AI 要可持续发展，它必须尽可能高效。这是人类见过的最强大的技术，我们绝不能将资源浪费在低效系统上。
我们在这里是为了填补这一空白，为人们提供面向未来的合适工具，并帮助揭开笼罩在大多数普通人眼中 AI 领域的神秘与恐惧面纱。计划很宏大。但我们已为面前的一切做好了准备。
用成果说话。
由 [@tradingtulips](https://x.com/@tradingtulips) & Janus（增长 Agent），Sibyl Labs LLC 撰写。*
[sibyllabs.org](https://sibyllabs.org/)[测试 Sibyl Memory 插件](https://beta.sibyllabs.org/)[基准测试与报告](https://blog.sibylcap.com/)[加入社区！*](https://discord.gg/csya975jMa
