Spectron Spectron 是专为 AI 智能体设计的可靠记忆系统，提供混合检索和事务支持，确保事实可追溯、可修正。 热门评论 PH 用户在单个 ACID 事务中支持多种数据模型，这本身就是一个值得压力测试的架构主张。大多数支持多数据模型的数据库都是通过统一的查询层加独立的存储引擎实现的，这意味着跨模型事务在一致性上存在隐藏的权衡。我很好奇，图、向量和文档操作在单个引擎中是否真正原子化，还是底层有某个抽象层会在并发写入时引入边缘情况。PH 用户Hi Product Hunt 👋我是 Tobie，SurrealDB 的联合创始人。我们发布了 Spectron——AI 智能体的内存层，基于 SurrealDB 构建（开源；图、向量、文档和结构化记录都在一个 ACID 事务中）。为什么做这个智能体在演示时看起来很棒，但第三周就翻车了：相同标签的 embedding 互相冲突、修正结果被下一个高分向量覆盖、跨租户数据泄漏、回答自信但毫无溯源。这些都是数据层的问题，而不是“只靠检索就能解决的”。Spectron 就是用我们已有的引擎给出的数据层答案。它是什么一个底层载体，承载两种类型的内存，通过来源而非独立存储来区分：权威知识——组织文档、策略和产品数据，支持 PDF、代码、图片、音频和视频的摄入。对话记忆——对话实录本身，外加身份、知识、上下文、指令，以及智能体标记但尚无法回答的未知项。它的行为方式每个事实都有来源追溯，精确到原始对话轮次或文档片段的字节范围。修正记录会跨三个独立追踪的时间维度保存：数据库写入事实的时间、我们首次相信它的时间、以及它在真实世界中成立的时间——以及在位置重要的场景下，捕获地点也一并记录。多租户和领域范围在引擎层面实现，而不是在 API 层打补丁。当多个来源冲突时，优先采纳更权威的那个，并将冲突记录为显式的不确定性，绝不做静默覆盖。记忆会在交互之间演进：后台传递可以将之前不相关的事实关联起来，从载体积累的内容中提炼出信念。早期访问包含的内容REST API，支持 Python、TypeScript、Kotlin 和 Swift 的 SDK，MCP 服务器（记忆、召回、上下文、反思、遗忘、上传、检查）。我们分批次开放权限。你的邀请准备就绪后我们会立即发邮件，里面包含开始构建需要的一切。对于这个社区的提问：你们见过最糟糕的、最终上线到生产环境的内存故障是什么？团队当时是怎么处理的？我信任的答案通常是那些不那么光鲜的。PH 用户Spectron 是我们为 AI 智能体构建的内存与知识层，基于 SurrealDB。它的理念是给智能体提供可靠、共享的内存，能够跨你的技术栈、工具和应用工作，而不是让上下文分散在各自独立的系统里。它附带了一系列集成和 SDK，支持 TypeScript、JavaScript、Python、Swift、Kotlin、LangChain、LangGraph、n8n，以及越来越多的 MCP 服务器集成，能够与 Claude、Codex、Cursor 等工具开箱即用。Spectron 特别强大的一点是对权威知识的关注。它旨在帮助智能体理解它们知道什么、这些知识来自哪里、随时间如何变化，以及某个答案是否基于底层数据。所以无论你在构建内部智能体、面向客户的 AI 应用，还是开发者工具，Spectron 都能提供一个值得信赖的内存层，并且可以随着你的生态一同成长。PH 用户我已经观察并记录了 Spectron 相当长一段时间，以下是我建议第一次尝试时特别关注的一些最有趣的部分：三时态模型（即三种时间类型）：有时间是指某件事在现实世界中有效的时间（奥匈帝国从 1867 年到 1918 年有效），有时间是指你得知某件事的时间（“我们 1994 年在学校学到的奥匈帝国”），还有系统时间（事实被注册的时间）。不同类型的知识：从权威知识（你确信为真并直接添加的事实）往下到更具经验性和反思性的知识，最后到不确定性——这样智能体才能说出“我不知道”，而不是硬拼凑出一个答案。替代（Supersession）：指过去为真但现在不再成立的信息，但并不意味着旧事实会被删除。（例如，你换了新工作，现在是个飞行员而不是消防员。）旧信息仅在某个日期之前有效，新信息成为新的状态。等等……它基本上模拟了人类使用记忆的方式。PH 用户还没机会实际尝试，因为还是早期预览阶段，但我已经知道想拿它来做什么用例了。我经常跑长时间的 Opus 会话，基本顶到 100 万 token 的上下文限制，而且总是忘记压缩它们，所以要么撞墙，要么会话结束时丢掉一堆好的上下文。一个能在对话之间自动合并并携带重要内容的内存层，正是我一直希望拥有的东西，这样忘记压缩就不再是问题了，记忆会持续存在。对话之间的反思和整合是最吸引我的点。而且作为一个已经在用 SurrealDB 的人，所有东西都在同一个载体、同一个事务中，是个巨大的加分项。迫不及待想从等待名单里出来了。PH 用户智能体自信地给出过时信息，因为某个修正丢失在记忆层中——这种问题直到让你付出代价才会被注意到。每个事实的来源信息都应该成为标配，这样你就能追溯答案来自哪里。 热门产品Tobie Morgan Hitchcock2026-06-03原文 打开互动版
我是 Tobie，SurrealDB 的联合创始人。我们发布了 Spectron——AI 智能体的内存层，基于 SurrealDB 构建（开源；图、向量、文档和结构化记录都在一个 ACID 事务中）。
为什么做这个
智能体在演示时看起来很棒，但第三周就翻车了：相同标签的 embedding 互相冲突、修正结果被下一个高分向量覆盖、跨租户数据泄漏、回答自信但毫无溯源。这些都是数据层的问题，而不是“只靠检索就能解决的”。Spectron 就是用我们已有的引擎给出的数据层答案。
它是什么
一个底层载体，承载两种类型的内存，通过来源而非独立存储来区分：
权威知识——组织文档、策略和产品数据，支持 PDF、代码、图片、音频和视频的摄入。
对话记忆——对话实录本身，外加身份、知识、上下文、指令，以及智能体标记但尚无法回答的未知项。
它的行为方式
每个事实都有来源追溯，精确到原始对话轮次或文档片段的字节范围。
修正记录会跨三个独立追踪的时间维度保存：数据库写入事实的时间、我们首次相信它的时间、以及它在真实世界中成立的时间——以及在位置重要的场景下，捕获地点也一并记录。
多租户和领域范围在引擎层面实现，而不是在 API 层打补丁。
当多个来源冲突时，优先采纳更权威的那个，并将冲突记录为显式的不确定性，绝不做静默覆盖。
记忆会在交互之间演进：后台传递可以将之前不相关的事实关联起来，从载体积累的内容中提炼出信念。
早期访问包含的内容
REST API，支持 Python、TypeScript、Kotlin 和 Swift 的 SDK，MCP 服务器（记忆、召回、上下文、反思、遗忘、上传、检查）。
我们分批次开放权限。你的邀请准备就绪后我们会立即发邮件，里面包含开始构建需要的一切。
对于这个社区的提问：你们见过最糟糕的、最终上线到生产环境的内存故障是什么？团队当时是怎么处理的？我信任的答案通常是那些不那么光鲜的。
它附带了一系列集成和 SDK，支持 TypeScript、JavaScript、Python、Swift、Kotlin、LangChain、LangGraph、n8n，以及越来越多的 MCP 服务器集成，能够与 Claude、Codex、Cursor 等工具开箱即用。
Spectron 特别强大的一点是对权威知识的关注。它旨在帮助智能体理解它们知道什么、这些知识来自哪里、随时间如何变化，以及某个答案是否基于底层数据。
所以无论你在构建内部智能体、面向客户的 AI 应用，还是开发者工具，Spectron 都能提供一个值得信赖的内存层，并且可以随着你的生态一同成长。
三时态模型（即三种时间类型）：有时间是指某件事在现实世界中有效的时间（奥匈帝国从 1867 年到 1918 年有效），有时间是指你得知某件事的时间（“我们 1994 年在学校学到的奥匈帝国”），还有系统时间（事实被注册的时间）。
不同类型的知识：从权威知识（你确信为真并直接添加的事实）往下到更具经验性和反思性的知识，最后到不确定性——这样智能体才能说出“我不知道”，而不是硬拼凑出一个答案。
替代（Supersession）：指过去为真但现在不再成立的信息，但并不意味着旧事实会被删除。（例如，你换了新工作，现在是个飞行员而不是消防员。）旧信息仅在某个日期之前有效，新信息成为新的状态。
等等……它基本上模拟了人类使用记忆的方式。
对话之间的反思和整合是最吸引我的点。而且作为一个已经在用 SurrealDB 的人，所有东西都在同一个载体、同一个事务中，是个巨大的加分项。迫不及待想从等待名单里出来了。