AmpUp 推出 Enterprise Brain,為企業AI 助理提供可版本控管的共享記憶
Enterprise Brain – Memory that learns from work
AmpUp 推出 Enterprise Brain,讓AI 助理使用能根據工作結果改善的共享記憶,並將記憶版本與任務軌跡連結,以供評估與準備訓練資料。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
頁面以多項基準比較 Enterprise Brain 的記憶功能,並揭露成本變化與表現落差,可據此瞭解其適用任務與限制。
將企業情境轉化為更優秀的代理程式。
以你已維護的情境圖譜和目錄為基礎。為代理程式提供共用記憶,讓記憶從結果中學習,並以有版本記錄的情境進行評估與訓練。
適用於 Claude Code、Codex、Gemini CLI、Cursor 和 Copilot。
Enterprise Brain
有版本記錄的記憶
情境 v12
學習所得的指引
受治理的存取權
Enterprise Brain 的特色。
依你的目標塑造記憶,透過經驗持續改進,並以公司已維護的情境為依據。
- 依你的目標塑造記憶
- 每種事件型別都有自己的本體:記憶可以擷取的事實與關係。目標會擴充本體,納入工作所需的重要資訊,同時讓你現有的目錄維持權威性。
- 讓經驗改善下一次執行
- 連結代理程式掌握的資訊、採取的行動與最終結果。將經評分的經驗轉化為其他代理程式也能運用的指引。
- 每筆記錄都有明確版本
- 為每筆軌跡記錄標記代理程式使用的記憶版本。根據相同的歷程評估系統並準備訓練資料。
- 在你的雲端中進行受治理的學習
- 將來源許可權延伸至記憶、保留稽核軌跡,並將資料儲存在由團隊掌控的開放資料表中。
頂尖記憶能力
這是 AmpUp 根據下方列出的評估與基準所做的判定。更廣泛的排行榜排名尚未經獨立驗證。
在我們的評估中,ORCA-bench 的根本原因準確率從 6.3% 提升至 35.2%,CRMArena-Pro 的 CRM 問題準確率則從 57.6% 提升至 76.7%。請參閱下方六項公開基準測試和兩項內部評估。
每次評分執行都讓它更聰明
ORCA-bench,253 項事件處理任務,Haiku 5.5。每個資料點代表筆記未從中學習的日期。
掌握你的領域
- LongMemEval-S:基準為 57.4%,使用 Enterprise Brain 後為 78.7%(+21.3 個百分點)。成本:便宜 3%,1× = 每個問題 $0.0012。關於使用者過往對話的問題,共 399 題 · 根據目標保留事實,與通用擷取方式比較。開啟設定頁面。
- 銷售管線問題:基準為 0.71,使用 Enterprise Brain 後為 0.92(+0.20)。成本:未測量。關於 AmpUp 自身交易的問題,共 69 題,由盲測評分 · 與我們先前以 Elasticsearch 為基礎的搜尋方式比較。開啟設定頁面。
- 程式碼審查:基準為 17.1%,使用 Enterprise Brain 後為 20.3%(+3.2 個百分點;98.3% 信賴區間為 +0.7 至 +5.6)。成本:貴 43%,1× = 每次審查 $0.024。AmpUp 審查機器人發現的退化問題,共 688 個真實案例 · 使用團隊的提取要求、Slack 訊息和會議紀錄,與僅使用差異內容比較。開啟設定頁面。
從結果中學習
- ORCA-bench:基準為 6.3%,使用 Enterprise Brain 後為 35.2%(+28.9 個百分點)。成本:便宜 25%,1× = 每項任務 $0.032。找出事件根本原因,共 253 項任務 · 與未使用記憶的情況比較;通用記憶搜尋的得分為 9.1%。開啟設定頁面。
- DolphinBench:基準為 62.9%,使用 Enterprise Brain 後為 72.3%(+9.4 個百分點)。成本:貴 1%,1× = 每項任務 $0.037。正確完成的助理請求,共 480 項保留測試 · 使用學習所得的筆記,與僅使用彙編程式比較。開啟設定頁面。
- CRMArena-Pro:基準為 57.6%,使用 Enterprise Brain 後為 76.7%(+19.1 個百分點)。成本:便宜 50%,1× = 每個問題 $0.0066。以 SQL 回答 CRM 問題,共 330 題 · 與未使用筆記的情況比較。開啟設定頁面。
在工作較少重複的地方守住品質
- SWE-ContextBench:基準版 27.6%,搭配 Enterprise Brain 為 30.6%(+3.0 個百分點)。成本:貴 14%,1× = 每次執行 $0.020。解決的軟體問題數:217 · 與未使用記憶體相比。開啟設定頁面。
- τ²-bench banking:基準版 27.8%,搭配 Enterprise Brain 為 30.9%(+3.1 個百分點)。成本:貴 27%,1× = 每次對話 $0.054。通過的銀行支援任務數:97 × 3 · 與逐一讀取所有政策檔案相比。開啟設定頁面。
* 程式碼審查的區間為 98.3%,已針對多項比較進行校正。其他區間皆為 95%。
每次執行都留下值得學習的經驗。
將代理程式記憶體和執行軌跡記錄存放在相同的雲端儲存空間。每筆記錄都會繫結至記憶體版本。透過控制平面使用這些記錄評估系統效能,並訓練自訂模型。
代理程式執行軌跡 記憶體 v12
任務 處理退貨
脈絡 已固定的記憶體
步驟 檢查、套用、回覆
結果 已記錄回饋
共用雲端儲存空間
代理程式記憶體
執行軌跡記錄
評估系統
透過控制平面
訓練自訂模型
使用相同的已固定記錄
單一共用目的地
將記憶體和已固定的執行軌跡記錄一併存放。
評估系統效能
透過控制平面瞭解系統的運作狀況。
訓練自訂模型
使用相同記錄及其原始記憶體脈絡。
準備評估與訓練資料
執行軌跡會串連任務、記憶體版本、採取的步驟和結果。準備評估與訓練資料集時,請將這些脈絡與每筆記錄一併儲存。
記憶體以開放格式的 Apache Iceberg 資料表存放,並透過 Apache Arrow 在引擎中傳輸。代理程式持續寫入資料時,訓練工作可讀取已固定的快照。
固定快照
$ memstore workspace snapshot orca_goal
匯出記憶體的模型呼叫記錄
$ memstore train-log export <scope> --out FILE
在我們的基準測試中,ORCA-bench(4)、τ²-bench banking(4)和 SWE-ContextBench(2)上的每個 Enterprise Brain 測試組,都讀取同一個以內容雜湊識別的記憶體版本,並在每次評分的嘗試中記錄該版本。
以上基準測試結果衡量的是學習到的記憶體與指引。我們尚未使用這些資料表訓練模型。
伴隨工作進展的記憶。
執行長期任務時,代理程式會在自己的分支上工作,並隨工作進展記錄記憶。執行完成後,這些記憶會合併至主線。
每項長期任務各有一個分支
讓代理程式在執行期間使用自己的記憶體。
隨工作進展記錄記憶
代理程式執行期間記錄有用的脈絡。
執行完成後分享
將已完成執行的記憶合併至主線。
檢視分支、快照與合併的詳細資訊
團隊也可以使用分支,在變更主線前測試結構描述或編譯指引。固定快照以供評估;若合併發生衝突,系統會拒絕合併。
分支
$ memstore workspace branch orca_goal oncall
編譯指引
$ memstore compile team:acme/support --branch arm1
固定記憶體
$ memstore workspace snapshot orca_goal --branch oncall
合併行為
merge · three-way
在引擎的模型測試中,100 組各含 15 項操作的隨機序列皆符合參考模型:204 次合併,26 次因衝突遭拒。
您的基礎架構。由您掌控。
先在筆記型電腦上開始,再部署至您自己的雲端帳戶。AWS 和 Google Cloud 已可使用。
筆記型電腦
在本機試用。記憶體留在您的裝置上;只有模型呼叫會送出。
SNOWFLAKE
將記憶體儲存在您的 Snowflake 帳戶中,並以開放格式的 Iceberg 資料表儲存。
GOOGLE CLOUD (GCP)
就緒。在你自己的目錄和儲存區中儲存記憶。
AWS
就緒。在你自己的 AWS 帳戶中部署 Enterprise Brain。
Databricks 尚未開放使用。
受治理的 Enterprise Brain
在同一處管理登入、團隊存取權、已連線的資料來源和部署。控制平面不會儲存任何記憶。
企業控制項
你的部署只會向控制平面傳送核准的營運遙測資料。事實、查詢和組織名稱都會遭到拒絕。
- 登入
- 使用你的身分識別提供者進行單一登入
- 多重要素驗證
- 每個組織都必須啟用
- 網域
- 必須完成驗證,且登入時必須使用 SSO
- 角色
- 管理員和成員角色,並提供邀請連結
- 資料來源
- 100 多種連接器
- 部署
- 可個別撤銷的部署金鑰
- 離職處理
- 撤銷存取權、清除記憶並設定保留期限
大家最先提出的問題。
我的資料會存在哪裡?
伺服器在哪裡執行,資料就存在哪裡。在筆記型電腦上,資料會留在 ~/.memstore 之下。在 Snowflake 中,不會有任何資料傳送到 AmpUp。在 Google Cloud 上,設定指令碼會將資料表放進你的目錄和儲存區。預覽期間,團隊也可以使用由 AmpUp 執行的伺服器,此時 AmpUp 會儲存該團隊的記憶。模型呼叫預設會經由 OpenRouter;使用直接後端則可讓呼叫留在你的雲端環境中。
這和 Mem0、向量資料庫或 CLAUDE.md 檔案有什麼不同?
Mem0 和向量資料庫提供通用記憶功能:儲存對話內容,並以相同方式為所有人找回內容。單看這項工作,Mem0 開放原始碼版和 Enterprise Brain 在 LongMemEval 上的表現相近(82.2% 對 79.7%)。Enterprise Brain 專為學習而打造:它會依照你的目標擷取所需事實,並使用你所在垂直領域的結構描述,再根據評分過的執行結果,為每種任務重寫筆記。所有資料來源的許可權都會延續到記憶中,而記憶則存放在你自己目錄中的 Iceberg 資料表裡。CLAUDE.md 檔案記錄你已知的規則;筆記則記錄你尚未知道的規則。
需要多少次評分過的執行,筆記才會有幫助?
這取決於任務。在 ORCA-bench 上,根據 135 次執行產生的筆記得分為 16.2%,284 次執行為 19.8%,454 次執行為 35.2%;未使用記憶時則為 6.3%。上方的 DolphinBench 筆記來自六次執行。在 τ²-bench 上,筆記沒有帶來可測量的提升。搜尋和儲存的記憶從第一個工作階段就能使用。
什麼是夢境整理(dreaming)?
在任務進行中撰寫記憶的代理程式,只能看到自己工作階段的內容,而且還有任務要完成。夢境整理會在背景執行,使用獨立的預算,並檢視整個團隊的代理程式所寫下的內容。它會結束已被較新事實取代的值、連結兩個描述相同內容的事實,並合併同一事物的名稱(owner 和 maintained_by,代表記憶和代表記憶頁面)。它只會新增資料列,因此 as_of 仍可讀取原有內容。每次只針對一種物件執行,因此絕不會混入讀者無權檢視的事實。試執行會列印每項決策及模型給出的理由,而且只需一個指令就能撤銷該次執行所做的一切。此功能預設為關閉;可按組織或團隊啟用,並設定每晚或每小時執行。
如果我們停止使用,記憶會怎麼處理?
在 Snowflake 或 Google Cloud 上,記憶是存放在你自己目錄中的 Iceberg 資料表,可供 Snowflake 和 BigQuery 讀取,因此資料會留在你手上。在筆記型電腦上,資料會留在磁碟中。在 AmpUp 的預覽伺服器上,則由 AmpUp 儲存。
它目前在哪些方面表現不佳?
當完整歷史記錄能放進模型,且模型能妥善讀取時,讀取全部內容的表現最佳(在 LongMemEval 上為 93.0%,Haiku 搭配記憶則為 58–61%)。Mem0 在時間相關問題上的表現最佳。在任何評分測試開始之前,僅使用編譯好的程式,在 τ²-bench 上的得分低於純文字檔案(21.0% vs 27.8%)。在 SWE-ContextBench 上,Sonnet 5.5 搭配筆記的表現比 Haiku 高約 5 分;在 DolphinBench 上,Sonnet 讀取檔案形式的歷史記錄時,表現高出 9.2 分。在程式碼審查中,學習得到的筆記沒有幫助,但過往工作的證據有幫助;在警示分類上,記憶目前還沒有帶來效益。
使用哪些模型?
Claude Opus 5.5 用於少數輸出會被後續所有任務讀取的步驟:編譯程式和撰寫筆記。Claude Haiku 5.5 用於擷取、評判和路由。每個組織都能自行設定。
已收到邀請?設定你的部署環境
預覽團隊會在收到邀請後取得 CLI。設定程式會將你的電腦與精靈配對,接著在你的帳戶中套用計畫。請以邀請中的控制平面 URL 取代下方範例。
terminal
$ memstore init --control-plane https://setup.example.com
# prints a pairing code; an admin finishes setup in the browser預覽期間可應要求提供基準測試方法和原始執行結果。