𝗚𝗣𝗧-𝟲 𝗔𝘀𝘁𝗿𝗮 𝘀𝗲𝗻𝗱𝘀 𝗮 𝘀𝗶𝗴𝗻𝗮𝗹: 𝗰𝗼𝗻𝘁𝗲𝘅𝘁 𝗰𝗼𝗺𝗽𝗮𝗰𝘁𝗶𝗼𝗻 𝗮𝗹𝗼𝗻𝗲 ...
TL;DR · AI 摘要
GPT-6 Astra展示出在长期运行代理中上下文压缩的不足，Milvus 3.0通过结构化存储和多维检索解决Agent Memory问题。
核心要点
- GPT-6 Astra在1M上下文窗口中达到96.3%的MRCR测试得分，显著优于GPT-5.6的73.8%
- Milvus 3.0引入StructArray实现记忆结构化存储，支持摘要、消息、工具调用等元素关联检索
- 湖原生架构允许历史数据驻留对象存储，通过External Collections实现冷热数据分层管理
结构提纲
按章节快速跳转。
- §引言
指出上下文压缩在长期运行代理中的局限性，引出GPT-6 Astra的改进方向。
展示GPT-6 Astra在MRCR测试中96.3%的得分，对比GPT-5.6的73.8%性能差距。
通过StructArray实现记忆结构化存储，支持多维检索条件组合查询。
湖原生架构实现冷热数据分层，External Collections保持历史数据可检索性。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- GPT-6 Astra与Milvus 3.0解决Agent Memory
- 上下文压缩局限性
- MRCR测试性能差距
- Milvus 3.0改进
- StructArray结构化存储
- 多维检索引擎
- 湖原生存储架构
- 存储生命周期管理
- External Collections冷热分层
金句 / Highlights
值得收藏与分享的关键句。
GPT-6 Astra在1M上下文窗口中达到96.3%的MRCR测试得分，相比GPT-5.6提升26.5个百分点
StructArray允许在单一实体中存储摘要、消息、工具调用等结构化记忆元素
Milvus 3.0支持dense/sparse混合检索、ORDER BY、聚合查询等多维检索能力
Milvus on X: "𝗚𝗣𝗧-𝟲 𝗔𝘀𝘁𝗿𝗮 𝘀𝗲𝗻𝗱𝘀 𝗮 𝘀𝗶𝗴𝗻𝗮𝗹: 𝗰𝗼𝗻𝘁𝗲𝘅𝘁 𝗰𝗼𝗺𝗽𝗮𝗰𝘁𝗶𝗼𝗻 𝗮𝗹𝗼𝗻𝗲 𝗶𝘀 𝗻𝗼𝘁 𝗲𝗻𝗼𝘂𝗴𝗵 𝗳𝗼𝗿 𝗹𝗼𝗻𝗴-𝗿𝘂𝗻𝗻𝗶𝗻𝗴 𝗮𝗴𝗲𝗻𝘁𝘀. The model has a 1.05M-token context window and scores 96.3% on OpenAI’s MRCR v2 8-needle test at 512K–1M context, comp… / X
Milvus
@milvusio
𝗚𝗣𝗧-𝟲 𝗔𝘀𝘁𝗿𝗮 𝘀𝗲𝗻𝗱𝘀 𝗮 𝘀𝗶𝗴𝗻𝗮𝗹: 𝗰𝗼𝗻𝘁𝗲𝘅𝘁 𝗰𝗼𝗺𝗽𝗮𝗰𝘁𝗶𝗼𝗻 𝗮𝗹𝗼𝗻𝗲 𝗶𝘀 𝗻𝗼𝘁 𝗲𝗻𝗼𝘂𝗴𝗵 𝗳𝗼𝗿 𝗹𝗼𝗻𝗴-𝗿𝘂𝗻𝗻𝗶𝗻𝗴 𝗮𝗴𝗲𝗻𝘁𝘀. 该模型拥有105万token的上下文窗口，在OpenAI的MRCR v2 8-needle测试中，当上下文规模达到512K-1M时，得分高达96.3%，相较GPT-5.6 Sol的73.8%有显著提升。Codex的一项改动引起我的注意：当上下文容量耗尽时，传统做法是进行压缩（总结历史并继续），而Astra则允许笔记跨上下文窗口持久化，早期原始上下文仍可被检索。未被纳入摘要的测试结果、工具输出等信息仍可后续检索。这对Agent Memory提出了不同的数据挑战：保持紧凑状态、保留底层证据、实现两者间检索。Milvus 3.0的几个改进正好契合这一需求：
- 结构化存储：记忆并非简单的扁平块集合。轨迹包含摘要、消息、观察、工具调用及其关系等结构化元素。StructArray是Milvus 3.0实现结构化存储的典型方案，可在统一实体下保持元素关联性，同时支持各部分独立检索。
- 多维检索能力：可搜索的历史需要超越向量相似度。代理可能需要结合语义相关性、关键词、元数据、时间、状态、排序或聚合等条件。Milvus 3.0通过融合密集检索/稀疏检索、过滤、ORDER BY、聚合及多向量搜索，实现更全面的检索能力。
- 存储生命周期管理：长期运行的代理可能积累数月甚至数年的历史数据。Milvus 3.0的湖原生架构与External Collections特性，支持将大量历史数据保留在对象存储中，同时通过分层检索机制保证数据可访问性。
因此，Agent Memory问题逐渐演变为三个子问题的组合：记忆的结构化方式、检索机制、以及随时间推移的存储策略。这正是我最关注的Astra特性。
3:52 PM · Sep 4, 2026
318
Views
1