Papr Graph

大家好。我是 Amir，Papr 的创始人。

我们在看到 AI 智能体在生产中失败后构建了 Papr Graph。问题不在于模型——而在于检索。多跳问题、版本化策略、关系数据——平面向量搜索在这些问题上全部失效。

向量搜索按语义相似度排序。但相似度 ≠ 正确性。一篇文档说“阿司匹林降低心脏病发作风险”，另一篇说“阿司匹林导致胃出血”，它们排序几乎相同——因为它们都关于阿司匹林。对于正在做推荐的智能体而言，这可能是有益和有害之间的区别。

Papr Graph 是一种图原生 embedding，位于你现有的 embedding 和你的智能体之间。它将结构化信号——主题、时间、意图、实体，任何你定义的——直接编码到你的 embedding 中，从而让排序反映上下文中的含义，而不仅仅是表面相似度。它与模型无关，适用于你已经在使用的任何 embedding。

我们看到 Papr Graph 在 MTEB（coding、scifact、finance 任务）上改进了现有的 embedding 5-20%。在 Stanford STaRK（MAG 合成的 10% 数据集）上，Papr Graph 以 92% 的 hit@5 准确率领先检索模型。

开始使用是免费的。保留你现有的技术栈。添加我们的插件。通过一次 API 调用将图原生排序引入你当前的检索流程。