RAG技术新视角：时间感知的动态记忆存储单元

传统知识图谱（RAG）将信息视为静态的、不变的实体（即数据块），但在实际应用中，信息是动态变化的，可能因新数据、事件或上下文而更新，旧数据可能变得过时。例如，一家公司上季度的营收数据可能在新报告发布后失效，若知识图谱未考虑时间因素，可能导致错误判断。 为解决这一问题，Temporal Knowledge Graphs（时间知识图谱，TKGs）在数据块中加入时间维度，如有效时间戳，使事实与特定时间段或事件相关联。这样，系统可以回答如“某天的CEO是谁”等问题，或分析信息随时间的变化，确保使用最新、最相关数据。 TKGs不仅包含静态信息，还通过时间戳三元组（如“TechNova”、“CEO”、“Matt Taylor”并附带时间信息）来建模动态变化，从而提升AI在复杂环境中的推理、预测和决策能力。这种结构让数据块成为微型记忆存储，能够追踪信息随时间的变化。 与传统记忆系统不同，Temporal AI Agents 专注于时间敏感的事实，而非完整的记忆内容，如情节或程序记忆。这种设计更轻量，适合金融分析、客户偏好跟踪等场景。 文章还提供了一个代码示例，展示了如何从文本中提取三元组，并为每个数据块添加时间戳，同时检测并标记冲突数据。最终通过检索器获取当前有效信息，体现时间知识图谱在AI系统中的实际应用。