Spectron

Что такое Spectron?

Spectron — это ранний preview-слой памяти и знаний для AI-агентов на базе SurrealDB. Он предназначен для хранения документов, разговоров, сущностей, атрибутов, связей, embeddings и трасс в одной ACID-транзакции, чтобы память агента могла сохранять происхождение данных и не требовала склейки разных хранилищ.

Продукт ориентирован на типизированную память с приоритетом provenance для агентных систем. Согласно странице, Spectron работает на SurrealDB Cloud и выступает как stateless-слой приложения поверх базы данных, поддерживая загрузку контента, извлечение структурированных данных, связывание связанных фактов и запросы к памяти с трассируемостью.

Ключевые возможности

• Provenance у каждой записи: факты, документы, разговоры и производная память сохраняют источник и информацию о трассе, что позволяет проверить, откуда взялся ответ.
• Одна ACID-транзакция для всех типов памяти: документы, разговоры, сущности, связи, embeddings и трассы находятся в одной транзакции базы данных, что снижает проблемы согласованности между хранилищами.
• Supersession вместо overwrite: новые наблюдения могут обновлять или заменять более старые факты, сохраняя историю изменений.
• Типизированная модель памяти: на странице описаны отдельные категории памяти, такие как authoritative, experiential, reconciliation, elaboration, reflection, consolidation, calibration и collective memory.
• Поддержка retrieval и trace: в deep-dive упоминаются ingest, supersession, hybrid retrieval и retrieval traces, так что чтения можно проследить до поддерживающей их памяти.
• Построено на SurrealDB Cloud: Spectron представлен как решение, работающее на SurrealDB Cloud, с graph-, vector-, document- и structured-данными в одном управляемом substrate.

Как использовать Spectron

Пользователи могут начать с join waitlist для доступа к preview по приглашению или оценить базовую платформу, создав бесплатный экземпляр SurrealDB Cloud. На странице также есть ссылки на architecture deep-dive и technical deep-dive, чтобы понять модель памяти и увидеть систему в работе до получения приглашения.

Сценарии использования

• Память агента с provenance: создавайте ассистентов, которым нужно отвечать на вопросы с проверяемыми исходными фактами, а не только с opaque embeddings.
• Загрузка разговоров и документов: превращайте чаты и документы в структурированные сущности и связи для последующего запроса.
• Согласование знаний: фиксируйте конфликтующие или обновлённые утверждения и отслеживайте supersession вместо тихой замены старой памяти.
• Память для нескольких инстансов или агентов: делитесь согласуемой памятью между людьми, агентами и инстансами, сохраняя scope и provenance.
• Извлечение с учётом доверия: используйте calibration и данные provenance, чтобы решать, когда системе следует отвечать, воздержаться или показать неопределённость.

FAQ

Spectron уже доступен в общем релизе?
Нет. На странице указано, что это invite-only preview и что приглашения рассылаются еженедельно партиями с первой недели запуска.

Можно ли что-то оценить до получения приглашения?
Да. На странице говорится, что базовый substrate уже доступен, и можно начать бесплатно на SurrealDB Cloud или прочитать architecture и technical deep-dive.

Какие типы данных он обрабатывает?
На странице упоминаются документы, разговоры, сущности, атрибуты, связи, embeddings и трассы.

Использует ли он отдельные хранилища для graph и vector данных?
Нет. На странице подчёркивается одна ACID-транзакционная база данных вместо склейки vector-, graph- и row-хранилищ.

Альтернативы

• Векторная база данных плюс логика памяти на уровне приложения: распространённый вариант для прототипов agent memory, но, по мнению страницы, он может создавать швы между хранилищами и усложнять поддержание supersession и traceability.
• Графовая база данных с отдельным vector index: полезно, когда важен обход связей, но всё равно требует координации между хранилищами для семантического поиска и отслеживания provenance.
• Традиционная document- или knowledge base: лучше подходит для просмотра людьми и curated content, чем для типизированной, транзакционно согласуемой памяти агентов.
• Кастомные memory pipelines на основе нескольких баз данных: гибко, но переносят работу со схемой, доверием и согласованностью в код приложения вместо того, чтобы держать её в substrate.