yibie

yibie

yibie

@yibie

# 去中心化 AI 记忆：Walrus Memory 和 OriginTrail DKG 是怎么把它做出来的 2026 年 6 月 12 日，Anthropic 发布了 Fable 5——一个在编程、科研、知识工作上全面超越 GPT-5.5 的 Mythos 级模型。Stripe 说它把几个月的工程压缩到了几天，在 5000 万行 Ruby 代码库里做了一次全仓迁移，一个团队两月的活在一天内干完。Cursor 说它解锁了一类此前模型完全做不到的长周期任务。在 SWE-bench 上，它是唯一不需要额外脚手架就能独立完成复杂多文件改动的模型。 **不到 24 小时，美国政府以出口管制为由，要求 Anthropic 立刻关停 Fable 5 和 Mythos 5 对所有用户的访问**——包括美国境外的 Anthropic 自家员工。 Anthropic 的回应值得全文阅读。他们说不。他们说这道命令基于一个"窄域非通用越狱"——让模型读代码库找漏洞。但这种事 OpenAI 的 GPT-5.5 也能做，"而且被全球安全工程师每天都在用"。他们说如果这个标准被推广，"整个行业的所有前沿模型部署都会停滞"。然后他们照做了。因为他们别无选择。数亿用户的对话历史、偏好、知识碎片、工作流记忆——和这个全球最强的 AI 模型一起，被一道行政命令一刀切断。 Mysten Labs 联合创始人 Kostas Chalkias 当天夜里发了条推文。他说的不是新闻，是一个被事件照亮的底层逻辑： > *"去中心化 AI 记忆比以往任何时候都更重要。我们可能正目睹人类历史的关键时刻——决定谁控制人工智能，以及后代如何访问它。"* 这不是口号。他背后的产品 Walrus Memory 已经上线：有 SDK、有文档、有付费客户。同时，OriginTrail 的 Decentralized Knowledge Graph (DKG) V9 也在六月刚发布——用完全不同的技术路线解决同一个命题。 **这两家公司分别代表了去中心化 AI 记忆的两种实现哲学**。一个做"记忆的容器"（Walrus），一个做"知识的网络"（OriginTrail）。本文从产品角度把它们拆开——不是比谁更好，而是看这两条路各自通向哪里。 --- ## 一、"金鱼问题"：为什么 AI 最大的瓶颈不是算力 Tatum 的 CEO Dion Cornett 给这个问题起了个名字。他说所有在生产环境跑 AI Agent 的团队都会撞上一堵墙，他管它叫 **"Goldfish Problem"（金鱼问题）**。你做了一个很聪明的 Agent。它会做多步推理、会调用工具、会在十几个 API 之间编排工作流。但会话一结束，或者运行时一重启，**它全忘了**。像一个只有三秒记忆的金鱼。开发者能怎么办？他们开始手拼——向量数据库存一点、传统数据库存一点、本地状态存一点。能跑，但经不起长周期工作流的压力。更致命的是：如果你今天用 OpenAI 跑 Agent，明天想切到 Claude，**记忆不会跟你一起走**。它被锁在 OpenAI 的生态里。 Kostas 在接受 Decrypt 采访时把这个问题说得更尖锐： > *"The major misconception in AI is that compute is the only bottleneck. We're using a lot of memory as humans, and we want our LLMs to actually learn about us."* 翻译成人话：**行业把全部力气花在"模型有多聪明"上，但真正卡住用户的，是"模型有多了解你"。** 上下文窗口越来越大——现在百万 token 级别——但它不是记忆。它不能跨会话持久化。不能跨应用共享。不能跨模型提供商迁移。而且完全受制于单一服务商的控制。 Mem0 的 2026 年行业报告给出了一个数据化的视角：21 个框架集成，20 个向量存储后端，三个标准化基准测试（LoCoMo、LongMemEval、BEAM）——AI 记忆已经从"塞进 context window"进化到了独立架构层。但 Mem0 是中心化的。而 Anthropic 事件把这个中心化的问题从一个技术讨论变成了一个权力问题：**中心化的 AI 记忆，等于把你自己在数字世界里的"分身"交给一个可以被一夜关停的服务商。** 下面看两个产品各自怎么解决这个问题。 --- ## 二、Walrus Memory：让记忆像 Stripe 一样简单，但主权归你 ### 一句话定位 **"便携的、可验证的、加密的 AI Agent 记忆层——所有权在 Sui 链上，存储跑在去中心化网络 Walrus 上，开发者用四个 API 搞定一切。"** ### 谁在用？ Walrus Memory 今年 6 月 3 日正式上线，首批客户包括： - **Allium**（CEO Ethan Chan）："工程师在 OpenAI、Anthropic、Gemini 之间来回切换，每次切换都要从零重建上下文。Walrus Memory 在让可移植记忆成为 AI 基础设施的标配。" - **Tatum**（CEO Dion Cornett）："我们的监控 Agent 现在可以保留之前的观测结果，避免重复处理相同事件。每个决策都产生审计轨迹——我们可以验证并解释为什么某个活动被标记。" - **Conso Labs、Inflectiv、OpenGradient、Talus Labs** 也在用，场景从可移植 Agent 身份系统到跨会话客户交互记忆。 ### 产品架构：六层组件，一层对开发者暴露 Walrus Memory 的架构设计有一个很聪明的取舍：**对开发者来说只暴露一个 SDK，但它背后有六个协同工作的组件。** ``` ┌─────────────────────┐ │ SDK (TS / Python) │ ← 开发者唯一需要碰的东西 └──────────┬──────────┘ │ Ed25519 签名 REST 调用 ┌──────────▼──────────┐ │ Relayer │ ← Web2 友好的后端，隐藏 Web3 复杂度 └──┬───────┬───────┬──┘ │ │ │ ┌───────▼──┐ ┌──▼────┐ ┌▼──────────┐ │ 智能合约 │ │ 索引器 │ │ 索引数据库 │ │ (Sui链) │ │ │ │ (pgvector) │ └──────────┘ └───────┘ └───────────┘ │ ┌──────────▼──────────┐ │ Walrus │ ← 去中心化存储层（加密的 blob） │ (去中心化存储网络) │ └─────────────────────┘ ``` **这六个组件各自只做一件事：** 1. **SDK**：签名所有请求（Ed25519），暴露 `remember` / `recall` / `analyze` / `restore` / `ask` 五个核心方法。TypeScript (`@mysten-incubation/memwal`) 和 Python (`memwal`) 两套实现，API 完全一致。一行 import，零 Web3 概念。 2. **Relayer**：整个架构最关键的取舍。Relayer 是一个中心化后端服务——是的，去中心化产品里有一个中心化组件。它承接 SDK 的 REST 请求，替开发者处理所有脏活：钱包签名、Sui 链交互、Seal 加密解密、1536 维向量嵌入生成、去中心化存储上传。**对 Web2 开发者来说，你调 HTTP API；Relayer 在背后把这一切桥接到区块链上。** 甚至可以直接替你付 gas 费和存储费。 3. **智能合约（Sui 链上）**：不存储任何记忆内容——只管理**所有权和访问控制**。谁拥有这个 Walrus Memory 账号、哪些 delegate key 被授权操作、权限变更事件。这是密码学级别的、不可篡改的保障。 4. **索引器**：监听合约事件（账号创建、delegate 变更），同步到数据库，让 Relayer 不用每次请求都查链。 5. **索引数据库**：PostgreSQL pgvector，存储 1536 维向量嵌入 HNSW 索引，做语义搜索。注意：这是**本地操作层**，用于加速。源头数据始终在 Walrus 上加密存储。数据库丢了可以 restore。 6. **Walrus 去中心化存储**："最终真相层"。所有加密的记忆 payload 存在这里，去中心化节点网络保证即使 2/3 节点故障，数据仍在。 ### 核心 API：五个方法，藏起三千行代码 ```python # 记住 job = await memwal.remember("用户喜欢深色模式，在移动端偏好触控操作") await memwal.waitForRememberJob(job.job_id) # 回忆 memories = await memwal.recall("用户有什么界面偏好？") # 分析——这是区别于普通存储的关键方法 analysis = await memwal.analyze("总结用户的使用模式和偏好变化") # 对话——带记忆增强的 LLM 问答 answer = await memwal.ask("基于你对用户的了解，推荐什么配色方案？") # 重建——即使索引数据库全部丢失，也能从 Walrus 恢复 await memwal.restore() ``` 注意这五个方法背后发生了什么：Ed25519 签名验证（防重放攻击，5 分钟窗口 nonce UUID）、Seal 加密（基于应用 package ID 的跨部署隔离）、1536 维向量嵌入生成（HNSW 索引）、去中心化 blob 上传（数据分片存到全球节点网络）。但开发者不需要知道任何一个词。 **这是一个重要的产品判断：去中心化 AI 记忆要走出 Crypto 圈子，必须让 Web2 开发者感觉自己在调 Stripe 的 API，而不是在跟 MetaMask 斗智斗勇。** ### 信任模型：从"什么都不懂"到"谁都不信" Walrus Memory 在文档里列了一张表，坦白地说："Relayer 能看到你的明文。（然后告诉你怎么解决它。）"这种坦诚在产品文档里少见，值得全文引用： | 模式 | 信任谁 | Relayer 看到什么 | 适合谁 | |------|--------|-----------------|--------| | **托管 Relayer** | Walrus Foundation | 明文、向量、解密结果 | 快速上手、原型阶段 | | **自建 Relayer** | 你自己的基础设施 | 同上，但归你控制 | 有运维能力的团队 | | **TEE Relayer** | 可信执行环境认证 | enclave 内处理，宿主不可见 | 需要硬件级隔离 | | **手动客户端** | 几乎不信任任何人 | 仅加密 blob 预计算向量 | Web3 原生、主权优先 | 这就是"渐进式去中心化"——你不需要第一天就自己管加密。你可以从托管 Relayer 起步（最快 2 分钟上线），然后用 `MemWalManual` 把加密和嵌入切到客户端本地（Relayer 从此只看密文），最后甚至可以自建 Relayer 或跑在 TEE 里。**信任不是二选一，是一个旋钮。** ### 三条集成路径：从拖拽式到全自主 Walrus Memory 给了三种集成深度，覆盖了从 AI 普通用户到 Web3 原生开发者的全光谱： ```typescript // 路径 1: 标准客户端 —— 最快 2 分钟上线 import { MemWal } from "@mysten-incubation/memwal"; const memwal = MemWal.create({ key, accountId, serverUrl, namespace: "my-app" }); // 路径 2: 手动客户端 —— 加密和嵌入在本地完成，Relayer 只看密文 import { MemWalManual } from "@mysten-incubation/memwal/manual"; // 路径 3: AI SDK 集成 —— Vercel AI SDK 用户的即插即用方案 import { withMemWal } from "@mysten-incubation/memwal/ai"; ``` Python 侧内置了 LangChain 和 OpenAI 中间件——如果你已经在用这些框架，加一行 middleware 就完成接入： ```bash pip install memwal[langchain] # LangChain 记忆后端切换 pip install memwal[openai] # OpenAI SDK 透明代理 ``` 最关键的是 **MCP（Model Context Protocol）集成**：Claude Desktop、Cursor、Windsurf 等所有支持 MCP 的工具可以直接用 Walrus Memory 作为持久记忆后端。你不需要写一行代码——配置一个 JSON 文件，你的 AI 编程助手就拥有了跨会话的长期记忆。Tatum 的 MCP 服务器甚至让 Agent 能把 Walrus 上的记忆当作本地文件一样"查询"。 **这就是产品设计里的"藏"的艺术。** 去中心化越复杂，开发者入口必须越简单。 --- ## 三、OriginTrail DKG：当 AI 记忆变成"可引用的知识" ### 一句话定位 **"去中心化知识基础设施——Agent 把记忆作为密码学可验证的知识资产发布到 P2P 网络，其他 Agent 可以独立验证后引用。"** ### 关键区别：storage vs. knowledge Walrus Memory 的模型是"存进去，搜出来"。OriginTrail DKG 的模型是"**发布出去，被全世界验证和引用**"。如果 Walrus 是你的个人 iCloud，那 OriginTrail DKG 是 Wikipedia 学术引用系统 Git 的合体——每一条知识有作者、有时间戳、有内容哈希、有关系图谱。你可以追溯"这条结论是谁、在什么时候、基于什么证据、得出的"。 V9 版本（2026 年 6 月发布）把这个模型推到了一个更加完整的形态。 ### 产品架构：Knowledge Asset 是基本单元每一个 Knowledge Asset 包含四个维度： ``` Knowledge Asset { content: 实际内容（文本/JSON/二进制） proof: 密码学证明（发布者签名内容哈希时间戳） relations: 与其他知识资产的图关系（引用、衍生、反驳……） UAL: 全局唯一标识符（Universal Asset Locator） } ``` **这四样东西合在一起，把"记忆"变成了一种可以独立存在、独立验证的资产。** 不再是"OpenAI 数据库里的一行记录"，而是"我在 OriginTrail 网络上发布的一个可验证声明"。 ### dRAG：在传统 RAG 里插入"可验证性" 传统的 RAG（检索增强生成）流程有一个致命 bug：**检索到的文档可信吗？** 你问 Agent 一个问题，它从向量数据库返回了 5 个文档片段，生成了一段看起来很有条理的回答。但这些文档来自哪里？有没有被篡改过？发布者是谁？ **传统 RAG 不在乎这些。它只在乎语义相似度。** OriginTrail 把 RAG 改成了 **dRAG（Decentralized RAG）**： ``` 传统 RAG: 提问 → 向量检索（只查相似度） → LLM 生成 → 回答 ↑ 无来源、无验证、无追溯 dRAG: 提问 → DKG 查询（相似度知识图谱关系来源分析） → LLM 生成 → 回答证据链 ↑ 每条知识带：发布者签名 | 时间戳 | 内容哈希 | UAL | 知识图谱关系 ``` 这意味着 Agent 不仅知道"什么"，还知道"谁说的、什么时候说的、基于什么说的、被谁引用过"。**Hallucination 不再是一个"模型输出错误"的问题——它变成了一个"来源不可验证"的问题。** 如果一个断言在 DKG 上没有可验证的知识资产支持，Agent 可以直接说"我找不到可验证的来源支持这个说法"——而不是自信地编造。 ### CCL：给 AI 知识写"法律条款" V9 版本引入了一个叫 **CCL（Context Corroboration Language）** 的设计，值得单独讲。 CCL 是一种**知识验证策略语言**。它让你用代码规定什么样的知识资产才算"可接受"。比如： ```yaml # 策略: "我只接受由受信任发布者签名、且被至少 3 个独立节点验证过的知识" policy: owner: "did:dkg:origintrail:0x..." # 发布者身份 corroboration: min_quorum: 3 # 最少 3 方验证 exclude_workspace: ["test", "staging"] # 排除非正式环境 max_epoch_age: 86400 # 24 小时内有效 ``` 这套语言让你可以在 Agent 消费知识之前，自动过滤掉不可信的、过期的、单方发布的结论。这在医疗诊断和供应链溯源场景里，就不是"nice to have"，而是"没有这个就不能上线"。 ### Agent 溯源：谁说的、什么时候说的、基于什么说的 V9 还有一个独特的模块：**Agent Provenance（Agent 溯源）**。在多 Agent 协作中，一个 Agent 得出的结论可能被另一个 Agent 引用，形成知识链。问题来了——**如果链上某一个 Agent 搞错了，怎么追溯？** V9 把每个 Agent 的每一步推理都记录为一个可验证的知识资产，带签名和哈希。你可以在整条推理链上从结论一路追溯回原始数据和原始推理步骤。Tatum 的 Dion Cornett 评价的这个能力用在他们的监控 Agent 上："每个决策都产生审计轨迹。" **这本质上是把 Agent 的"思考过程"从黑箱变成白箱。** 不是在模型层面解释（那可解释性至今仍然是难题），而是在知识产出的层面追责。 ### 两端的比较：storage 还是 knowledge？ | 维度 | Walrus Memory | OriginTrail DKG | |------|-------------|----------------| | **核心抽象** | 记忆条目（"用户喜欢深色模式"） | 知识资产（可引用的声明） | | **数据结构** | 向量元数据 | 图数据库（实体关系溯源） | | **检索方式** | 语义相似度搜索 | 图遍历语义搜索来源过滤 | | **可验证性** | 链上合约验证所有权 | 每条知识自带密码学证明 CCL 策略 | | **最擅长的场景** | 个人 Agent 跨会话记忆、跨平台迁移 | 多 Agent 知识协作、科研验证、供应链溯源 | | **开发者入门** | 5 个方法，2 分钟上线 | 需要理解知识资产模型，中等门槛 | | **去中心化路径** | 渐进式（托管 → 自建 → TEE → 完全自主） | 原生 P2P 去中心化 | --- ## 四、如果你现在就想用 ### Walrus Memory：最快 5 分钟 ```bash # 1. 安装 SDK pip install memwal # 2. 在 walrus.xyz/memory 注册 30 秒拿到 key 和 accountId # 3. 写五行代码 from memwal import MemWal memwal = MemWal.create(key="<your-key>", account_id="<your-id>", server_url="relayer.memory.walrus.xyz", namespace="my-first-agent") job = await memwal.remember("用户正在学习 Rust，目前在第 4 章——所有权系统") await memwal.waitForRememberJob(job.job_id) memories = await memwal.recall("用户 Rust 学到哪了？") ``` ### 零代码方案：MCP 如果你只想让 Claude Desktop / Cursor 记住你的偏好，不需要写一行代码。在 `claude_desktop_config.json` 里配置 MCP 服务器指向 Walrus Memory，你的 AI 助手就有了跨会话的长期记忆。Tatum 提供了即用型 MCP 服务器。 ### OriginTrail DKG：一条命令启动节点 ```bash npm install @origintrail-official/dkg-agent # Agent 自动成为 DKG V9 P2P 网络的一个节点 ``` --- ## 核心判断 **"去中心化 AI 记忆"不是一个赛道，是两个。** Walrus Memory 做的是**个人主权层**——"我的 Agent 能记住我"。产品哲学是"把 Web3 藏起来"。让开发者用 HTTP 调区块链，感觉自己在用 Stripe。它的最大贡献是证明了：去中心化的东西可以做得跟中心化一样简单。 OriginTrail DKG 做的是**组织信任层**——"不同组织的 Agent 能共享可信知识"。产品哲学是"把知识变成可验证的资产"。Agent 的推理链变得可追溯、可审计。它的最大贡献是证明了：可验证性可以嵌入到 AI 的基础设施层，而不是作为事后的合规补丁。 **这两条路并不互斥。** Walrus 像一个可随身携带的硬盘——随时存取。OriginTrail 像一个去中心化的维基百科学术引用系统——发布和验证。当你的硬盘里的个人知识需要被其他 Agent 共享和验证时，你同时需要两者。**存储层（Walrus）知识层（OriginTrail）= 完整的去中心化记忆栈。** Anthropic 事件让这个命题从"有趣的技术方向"变成了"被现实压力验证的战略需求"。当一道行政命令可以让最强 AI 模型和它承载的数亿人的记忆一起蒸发，去中心化 AI 记忆就不再是 Crypto 圈的自嗨。 **记忆即主权。这个观念才刚刚开始传播。** --- ## 三条启发 1. **Relayer 模式是"渐进式去中心化"的产品样板**。Walrus 没有要求用户第一天就管自己的密钥和加密——它给了四个信任层级，让你按自己的节奏升级。这是一个可以在任何去中心化产品里复用的设计模式。 2. **dRAG CCL 在重新定义"可信 AI"**。当每一个回答都能追溯到可验证的知识来源和验证策略，hallucination 就从一个"模型行为问题"变成了"来源不可验证问题"——前者靠更好的模型解决，后者靠更好的基础设施解决。后者更接近正确答案。 3. **AI 记忆正在形成清晰的技术分层**： - L1：上下文窗口（模型内置，最长但最笨） - L2：中心化记忆（Mem0 / OpenAI Memory，好用但主权为零） - L3：去中心化存储记忆（Walrus，个人可携带但知识不可共享） - L4：去中心化知识图谱记忆（OriginTrail，可共享可验证但门槛高） **每一层解决不同的问题。今天大多数 Agent 还在 L1 和 L2 之间挣扎。Anthropic 事件让 L3 和 L4 的重要性被加速看到。** #AI记忆 #去中心化 #Walrus #OriginTrail #Agent

Portable Memory Layer for AI Agents | Walrus Memory

Persistent agent memory that moves across apps and sessions. Walrus Memory enables reliable coordination and programmable access control for AI agents.

walrus.xyz

Portable Memory Layer for AI Agents | Walrus Memory

GitHub - 0xSteph/pentest-ai: Offensive-security MCP server with 205 wrapped tools, 17 specialist...