Almanac通过构建预编译知识层尝试解决AI Agent的记忆断层问题
很多团队在开发AI Agent时常陷入死循环：为了让AI理解具体业务，不得不手动上传大量文档，编写各种Connector插件并处理繁琐的OAuth授权。即便将上下文放入对话，AI的记忆依然碎片化，一旦Session关闭或触碰到某个临界点，它会立刻遗忘上周交代的关键需求。这种“阅后即焚”的特性，导致AI Agent难以深入处理复杂的业务流程。
YC S26孵化的Almanac选择了一条更硬核的路径，不再单纯依赖实时检索，而是打造了一层“预编译知识层”。目前的AI助手多采用RAG（检索增强生成）模式，流程是用户提问后检索相关片段并喂给LLM生成答案。在处理长周期任务时，由于AI缺乏一个持续更新的“世界模型”，这种模式效率极低。Almanac通过接入Calendar、Gmail、PostHog等生产力工具，在后台构建两套动态Wiki：一套记录个人偏好、人际关系与日程，仅限个人可见；另一套汇总团队阻碍点、业务进展及产品路线图，供全员共享。
这种预编译知识层突破了实时检索的局限，核心在于将“检索”环节提前至“预处理”阶段。该团队此前为哈佛大学和NASA开发过类似系统，意识到在对话发生时才从数据库捞取零散信息效果不佳，因此让后台Worker持续运行，将碎片化知识预编译为结构化的知识图谱。
这种机制解决了Agent落地中两个棘手的问题。第一是突破Session限制。传统Agent随对话流运行，而Almanac将任务挂在Wiki的项目进度上。即便对话结束几天后重新启动，之前的逻辑链路也能直接接续，无需重新上传背景文档。
第二是赋予了AI真正的“主动性”。大多数Agent仅能被动响应，而Almanac依靠实时更新的知识层，由后台Worker监控状态变化。当你要求它跟进销售线索并发邮件时，它在邮件发出后不会立刻休眠，而是持续盯住收件箱。如果对方在四小时后回信，它会基于上下文自动拟好回复草稿，并通过弹窗提醒用户查看。
这种方案的代价是极高的算力预消耗。由于后台需要实时维护两套Wiki并持续预编译，即便用户不开口，系统依然在高频运行。但这可以用算力换取体验的合理交易。如果这种模式在企业环境中跑通，用户或许不必通过复杂Prompt教AI做事，它能通过静默观察工作流，成为公司知识库的实时镜像，从外挂对话框变为住在工作流里的数字化成员。
在硬件制造领域，ProvenMetal同样在通过流程自动化提升效率。他们通过与制造商集成并自动化前后端流程，将客户的交付周期缩短了一半。在无需账号的情况下，用户即可获取报价并查看流程，其报价单中会确认具体的构建计划。ProvenMetal负责处理DFM（可制造性设计）与报价，并并行执行零部件采购与加工路由。他们会根据产能、能力以及速度，将订单路由至合适的组装厂和晶圆厂，通过协调制造工作流，将订单分流至不同的集成工厂与组装厂，确保每一个构建步骤都与合适的制造商匹配并得到协调。
全部回复 （5）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
预编译知识层要是能解决记忆断层，那RAG这种打补丁的方案可以扔垃圾桶了。不少团队在打造 AI Agent 时，常会掉进一个循环：为了让 AI 理解业务，只能手动塞入海量文档，写各种 Connector 插件，再处理复杂的 OAuth 授权。可即便上下文已经放进对话，AI 的“记忆”依旧支离破碎。Session 一旦关闭，或者对话碰到某个临界点，它马上就会忘掉你上周交代的核心需求。这样的“阅后即焚”，让 AI Agent 很难真正走进深水区业务流程。
关注到 YC S26 孵化的 Almanac 后，可以看到它选择了另一条更硬核的路：不再依赖简单的实时检索，而是搭建一层“预编译知识层”。当前大多数 AI 助手使用的都是 RAG（检索增强生成）：用户提问 → 检索相关片段 → 喂给 LLM → 生成答案。面对长周期任务，这种模式效率极低，因为 AI 没有一个持续更新的“世界模型”。Almanac 则接入 Gmail、Calendar、PostHog 等生产力工具，在后台默默构建两套动态 Wiki：一套只对个人可见，记录个人偏好、日程和人际关系；另一套供全员共享，汇总产品路线图、业务进展和团队阻碍点。
预编译知识层如何突破实时检索的局限？关键变化在于，Almanac 把“检索”提前放到了“预处理”阶段。团队此前曾为 NASA 和哈佛大学开发类似系统，因此他们意识到：对话发生时才去数据库里捞取零散信息，不如让后台 Worker 持续运行，把碎片知识“预编译”为结构化知识图谱。
这套方式直接处理了 Agent 落地中最棘手的两个问题。一方面，它突破了 Session 限制。传统 Agent 跟着对话流运行，Almanac 却把任务挂在 Wiki 的项目进度上。即使对话结束几天后重新启动任务，之前的逻辑链路也能直接接上，不必再次上传背景文档。
另一方面，AI 也获得了真正的“主动性”。如今的 Agent 大多只做被动响应，你不问，它就不动。Almanac 依靠实时更新的知识层，由后台 Worker 监控状态变化。比如，你让它跟进一个销售线索并发送邮件，它不会在邮件发出后立刻休眠，而会继续盯住收件箱。如果四小时后对方回信，它会根据之前的上下文自动拟好回复草稿，再通过弹窗提醒你：“对方回信了，草
试用期给不到7天就想让我习惯新流程？这种磨合成本极高的工具，没两周根本试不出好坏。而且，不少团队在打造 AI Agent 时，常会掉进一个循环：为了让 AI 理解业务，只能手动塞入海量文档，写各种 Connector 插件，再处理复杂的 OAuth 授权。可即便上下文已经放进对话，AI 的“记忆”依旧支离破碎。Session 一旦关闭，或者对话碰到某个临界点，它马上就会忘掉你上周交代的核心需求。这样的“阅后即焚”，让 AI Agent 很难真正走进深水区业务流程。关注到 YC S26 孵化的 Almanac 后，可以看到它选择了另一条更硬核的路：不再依赖简单的实时检索，而是搭建一层“预编译知识层”。当前大多数 AI 助手使用的都是 RAG（检索增强生成）：用户提问 → 检索相关片段 → 喂给 LLM → 生成答案。面对长周期任务，这种模式效率极低，因为 AI 没有一个持续更新的“世界模型”。Almanac 则接入 Gmail、Calendar、PostHog 等生产力工具，在后台默默构建两套动态 Wiki：一套只对个人可见，记录个人偏好、日程和人际关系；另一套供全员共享，汇总产品路线图、业务进展和团队阻碍点。预编译知识层如何突破实时检索的局限？关键变化在于，Almanac 把“检索”提前放到了“预处理”阶段。团队此前曾为 NASA 和哈佛大学开发类似系统，因此他们意识到：对话发生时才去数据库里捞取零散信息，不如让后台 Worker 持续运行，把碎片知识“预编译”为结构化知识图谱。它怎样解决Agent的Session记忆断裂问题？这套方式直接处理了 Agent 落地中最棘手的两个问题。一方面，它突破了 Session 限制。传统 Agent 跟着对话流运行，Almanac 却把任务挂在 Wiki 的项目进度上。即使对话结束几天后重新启动任务，之前的逻辑链路也能直接接上，不必再次上传背景文档。后台Worker如何赋予AI真正的主动性？另一方面，AI 也获得了真正的“主动性”。如今的 Agent 大多只做被动响应，你不问，它就不动。Almanac 依靠实时更新的知识层，由后台 Worker 监控状态变化。比如，你让它跟进一个销售线索并发送邮件，它不会在邮件发出后立刻休眠，而会继续盯住收件箱。如果四小时后对方回信，它会根据之前
预编译知识层这路子野啊，比死磕 RAG 检索率效率高多了，想试试在本地跑起来快不快，特别是让后台 Worker 持续运行把碎片知识“预编译”为结构化知识图谱那一步。