CrabRAG：为什么自动化助手需要图记忆而非更多Token — Stephen Chin, Neo4j

Stephen Chin在AI Engineer演讲中展示了一个关键实验：他将同一智能助手的记忆分别存储在向量数据库和图数据库中，并询问“哪个设备运行着暴露于互联网的过时软件”。向量助手无法给出具体答案，而图助手准确识别出女儿的Minecraft服务器运行着过时操作系统，并发现了实际开放的管理端口。这一对比揭示了当前AI助手记忆机制的瓶颈。

大多数助手（包括OpenClaw）将记忆存储为Markdown文件，导致每轮对话需加载超过10万Token以覆盖所有可能相关的信息。这种方法在小规模下可行，但大规模时效率极低，因为向量空间的相似性并不代表真实关系，多跳问题容易引发幻觉。

图数据库通过存储实体及其关系，先利用向量搜索种子节点，再沿边遍历，从而返回精确、可解释且可审计的答案。Chin强调，即使不熟悉图数据库，开发者也可借助Claude等LLM编写Cypher查询，降低使用门槛。

对于中文AI/科技读者，这一观点极具价值：在构建自动化助手时，记忆机制的选择直接影响推理能力。图记忆不仅提升准确性，还能显著降低Token消耗，是突破当前助手智能瓶颈的关键方向。