Ein Fakt ohne Herkunft ist eine Insel. Warum jede Erinnerung ihren Ursprung kennen muss.

Setzen Sie sich mit einem flachen RAG-System hin, das seit einem Jahr in Produktion ist, und versuchen Sie, ihm vier Fragen zu stellen. „Warum hast du das gesagt?“ Das Modell lieferte eine selbstbewusste Antwort über das Vertragsverlängerungsdatum des Kunden, aber die Spur zurück zur Quellklausel existiert nicht. „Überprüfe diese Behauptung erneut – die Quelle hat sich geändert.“ Der Vertrag wurde letzte Woche geändert. Jede daraus abgeleitete Tatsache ist fragwürdig. Sie können sie nicht finden, weil Sie nicht wissen, aus welchem Dokument sie stammen. „Entscheide zwischen diesen zwei widersprüchlichen Tatsachen.“ Eine besagt, Alex arbeitet bei Google, eine andere bei Stripe. Keine trägt einen Konfidenzwert oder einen Quellenzeitstempel. Die Aktualität des Schreibens hat nichts mit der Aktualität des Beweises zu tun. „Schreibe diese Halluzination zu.“ Das Modell sagte, das Meeting sei am Donnerstag gewesen. Es gab kein Meeting am Donnerstag. Sie können nicht sagen, ob die LLM das Datum erfunden hat oder ob schlechte Daten im Speicher sie in die Irre geführt haben.

Diese vier Fehler haben eine gemeinsame Ursache. Ihnen fehlt jeweils eine Spalte. Eine Quellenkennung, ein Erfassungszeitstempel, ein Konfidenzwert, ein Antwort-Zitierprotokoll. Jedes kostet ein paar Bytes beim Schreiben. Die Kosten, sie nicht zu haben, sind unbegrenzt: Jede Behauptung ist nicht prüfbar, jeder Widerspruch ist nicht auflösbar, jede Halluzination ist nicht zurückverfolgbar.

Über 19 Systeme hinweg ist das Muster konsistent. Die stärksten Implementierungen behandeln Provenienz so, wie ein Gericht Beweise behandelt – jede Behauptung kommt mit einer ununterbrochenen Kette der Verwahrung oder sie kommt gar nicht. Die schwächsten tragen keine und bezahlen dafür jedes Mal, wenn etwas in der Produktion schiefgeht. Dieser Artikel beleuchtet die sechs Ebenen der Provenienz, die das Korpus hervorgebracht hat, die drei Reifegrade der Implementierung, die sie voneinander trennen, und die ehrlichen Kosten, dies von Anfang an richtig zu bauen.

Sechs Ebenen, eine Disziplin

Wenn man 19 Systeme nacheinander liest, sondern sich sechs verschiedene Ebenen der Provenienz heraus. Sie sind keine Hierarchie; sie sind orthogonal. Ein System kann Quellenprovenienz ohne Kausalprovenienz haben. Es kann Versionierung ohne Konfidenzbewertung haben. Die stärksten Implementierungen decken alle sechs ab. Keine der schwächsten deckt auch nur eine ab.

Identität beantwortet „welche Tatsache genau?“ OpenContext erstellt UUIDs für jeden Kontext bei der Aufnahme und stellt sie als Zitierschema zur Verfügung, das der Agent direkt in Antworten verwenden kann. Die Kennung überlebt Umbenennungen, Verschiebungen und Umstrukturierungen, weil sie an den Inhalt gebunden ist, nicht an den Pfad. mem9 trägt eine stabile Speicher-ID auf jeder Zeile plus einen expliziten Versionszähler mit If-Match-Konkurrenzschutz. Ohne Identitätsprovenienz können Sie nicht einmal benennen, worüber Sie sprechen, wenn etwas schiefgeht.

Quelle beantwortet „woher kam es?“ Hindsight zeichnet Quelltyp und -kennung für jede Beobachtung auf, sodass das System beantworten kann, welche Konversation oder welches Dokument eine bestimmte Tatsache hervorgebracht hat. mem9 trägt Quelle, Agenten-ID und Sitzungs-ID auf jeder Zeile. Supermemory speichert Dokumenten-IDs zusammen mit Erinnerungen. Ohne Quellenprovenienz können Sie keine Aktualisierungen kaskadieren, wenn sich eine Quelle ändert, weil Sie nicht wissen, welche Tatsachen davon abhängen.

Kausal beantwortet „welcher Agentenschritt hat dies verwendet?“ Hindsight erfasst jede abgerufene und verwendete Tatsache in einer Beobachtungsebene mit vollständigem Abrufkontext – welcher Abrufer sie hervorgebracht hat, welchen Rang sie erreicht hat und ob der Agent sie tatsächlich konsumiert hat. Moraine behandelt jeden Trace-Schritt als eigenen Provenienzdatensatz, wodurch die gesamte Ausführung des Agenten als eine Folge von quellenadressierbaren Ereignissen wiederherstellbar wird. Ohne Kausalprovenienz können Sie nicht unterscheiden zwischen „das System hat diese Tatsache abgerufen“ und „der Agent hat diese Tatsache verwendet, um diese Antwort zu erzeugen.“

Erfassungskonfidenz beantwortet „wie sicher waren wir, als wir es aufgeschrieben haben?“ Graphify markiert jede Kante in seinem Wissensgraphen mit dreistufiger Erfassungskonfidenz: CONFIRMED für deterministische Extraktionen, LIKELY für hochvertrauenswürdige LLM-Schlussfolgerungen und AMBIGUOUS für unsichere Behauptungen. Die AMBIGUOUS-Kanten tauchen als „Wissenslücken“ für die menschliche Überprüfung auf, anstatt stillschweigend als Tatsache behandelt zu werden. Hindsight trägt einen Konfidenzwert auf jeder Beobachtung, der im Laufe der Zeit durch seinen Frische-Lebenszyklus abnimmt – frische Beobachtungen werden vertraut, ältere werden herabgestuft oder ausgemustert. mem9 führt zuerst die Erkennung von nahezu Duplikaten im Schattenmodus durch, zeichnet Werte auf, ohne auf sie zu reagieren, bis der Ingenieur den Schwellenwert anhand echter Daten kalibriert hat. Ohne Erfassungskonfidenz werden unsichere und sichere Tatsachen mit gleichem Gewicht abgerufen, und der Agent kann nicht zwischen einer soliden Behauptung und einer fundierten Vermutung unterscheiden.

Versioniert beantwortet „was haben wir vorher geglaubt?“ Supermemory behandelt Erinnerungen als versionierten DAG mit typisierten Kanten – updates, extends, derives – und gibt jedem Glauben eine Commit-Historie. mem9 teilt den Schreibpfad: In-Place-Mutation für menschliche Bearbeitungen, Anhängen-und-Archivieren für LLM-gesteuerte Umschreibungen, bei denen der neue Inhalt den alten semantisch ersetzt. Tolaria lässt Git die gesamte Versionshistorie tragen und behandelt Einzeilen-Diffs als erstklassiges benutzersichtbares Artefakt. Ohne versionierte Provenienz können Sie nicht zurückgehen zu dem, was das System am Dienstag geglaubt hat, weil alte Überzeugungen gelöscht statt archiviert werden.

Reziprok beantwortet „welche anderen Tatsachen teilen diesen Ursprung?“ llm-wiki gewichtet Quellenüberlappung über direkte Verlinkung in seinem Vier-Signal-Relevanzgraphen – zwei Seiten, die aus demselben Rohdokument stammen, werden als stärker verwandt angenommen als zwei Seiten mit einem direkten Wikilink, weil die LLM bei Querverlinkungen unzuverlässig ist, aber die Quellen-Frontmatter mechanisch gepflegt wird. EdgeQuake akkumuliert Quellen-IDs auf Entitäten und Beziehungen im gesamten Korpus, sodass wiederholte Erwähnungen derselben Entität aus verschiedenen Quellen ihr Provenienzgewicht verstärken. second-brain trägt Quelle als Teil seines lexikalischen Index-Verbundschlüssels, sodass ein einzelnes Dokument aus mehreren Pipelines unabhängig indiziert werden kann. Ohne reziproke Provenienz können Sie nicht beantworten „zeige mir alles in diesem System, das aus derselben Konversation stammt“ oder „was haben wir sonst aus diesem Dokument gelernt?“

Die sechs sind orthogonal, aber sie verstärken sich gegenseitig. Quellenprovenienz ist nutzlos ohne Identität (Sie müssen die Tatsache benennen, bevor Sie sie verfolgen können). Versionierung ist schwächer ohne Konfidenz (Sie kennen die Abstammung der Bearbeitungen, aber nicht, wie sicher das System bei jeder einzelnen war). Reziproke Abfragen hängen davon ab, dass die Quelle zuerst vorhanden ist. Die Systeme, die alle sechs tragen, sind diejenigen, deren Speicher nicht stillschweigend verrottet.

Drei Reifegrade der Implementierung

Das Korpus unterteilt sich in drei Stufen basierend darauf, wo Provenienz lebt und was sie zur Lesezeit tun kann.

Stufe 1 ist RAG ohne Provenienz, der Ausgangspunkt für die meisten Teams. Flache Vektorspeicher mit Inhalt und Einbettung. Keine Quellspalte, kein Konfidenzwert, keine Versionshistorie. Wenn eine Tatsache abgerufen wird, erhalten Sie Text und einen Ähnlichkeitswert. Sie können nicht zurückverfolgen, woher sie kam, wie sicher das System darüber war oder ob sie ersetzt wurde. Jedes System, das hier begonnen hat, hat sich im Laufe der Zeit in Richtung Stufe 2 bewegt.

Stufe 2 trägt Provenienz auf der Zeile. Quellen-ID, Konfidenz, Version – alle als Spalten neben der Tatsache vorhanden. mem9 sitzt hier mit Quelle, Agenten-ID, Sitzungs-ID und Version auf jeder Zeile. Supermemorys versionierter DAG ist Stufe-2-Struktur. Graphifys dreistufige Kantenkonfidenz ist Stufe-2-Disziplin. Die Provenienz ist für Abfragen verfügbar, aber sie dekoriert Abrufergebnisse nicht automatisch. Sie müssen die Abfrage schreiben, die sie verwendet.

Stufe 3 dekoriert Lesezeitergebnisse mit Provenienzkontext, ohne dass der Aufrufer danach fragen muss. Hindsight ist hier die Referenz – jede abgerufene Tatsache kommt mit ihrem Quelltyp, Konfidenzwert, Frischezustand und dem Ranking pro Abrufer bereits angehängt. Der Agent, der das Ergebnis konsumiert, sieht Provenienz als Teil der Tatsache, nicht als separate Suche. mem9s Quellzug-Dekoration sitzt auf halbem Weg zwischen Stufe 2 und Stufe 3, indem sie Lesezeitkontext auf ein Stufe-2-Schema aufpfropft.

Die Migration ist einseitig. Kein System beginnt bei Stufe 3 und entscheidet sich, Provenienzdisziplin zu entfernen. Die Spalten beweisen ihren Wert, sobald sie vorhanden sind. Wenn Sie heute ein Speichersystem entwerfen, lautet die Frage nicht „brauche ich Provenienz?“, sondern „welche Stufe möchte ich beginnen, in dem Wissen, dass jede Stufe über der, die ich wähle, später schwerer zu erreichen ist als jetzt einzubauen?“

Der warnende Fall: berechnet und verworfen

Understand-Anything veranschaulicht, was passiert, wenn das Substrat für Konfidenz existiert, aber die Spalte, um es aufzuzeichnen, nicht. Das System unterscheidet deterministische Kanten (durch einen Projektscanner aus Quelldateien aufgelöst) von inferierten Kanten (durch eine LLM während der semantischen Analyse erraten). Diese Information ist real und bedeutungsvoll – eine strukturelle Importkante verdient höheres Vertrauen als eine Nicht-Code-Inferenz. Aber beide werden mit Gewicht 0,7 gespeichert, identisch im Graphen. Das Konfidenzsignal wird zur Schreibzeit berechnet und vor der Persistenz verworfen.

Das Hinzufügen eines Konfidenzfeldes wäre eine kleine Änderung mit einem großen Informationsqualitätsgewinn. Das System weiß bereits, welche Kanten solide und welche Schätzungen sind. Es zeichnet nur die Unterscheidung nicht dort auf, wo sie wichtig ist – auf der Zeile, die später abgerufen wird, wenn der Agent zwischen ihnen unterscheiden muss. Dieses Muster tritt in mehreren Systemen im Korpus auf: Informationen sind zur Schreibzeit verfügbar, billig zu erfassen, und dann verloren, weil niemand die Spalte hinzugefügt hat.

Die ehrlichen Kosten, dies richtig zu bauen

Provenienz kostet Bytes. Eine Quellen-ID, ein Konfidenzwert, ein Versionszähler – jedes fügt ein paar Felder pro Zeile hinzu. Im Maßstab ist das relevant, aber es ist weit weniger wichtig als die Kosten, sie nicht zu haben, wenn etwas in der Produktion schiefgeht und Sie nicht zurückverfolgen können, warum das System eine falsche Antwort produziert hat.

Die Rechenkosten sind niedriger als erwartet. Konfidenzbewertung erfordert typischerweise einen zusätzlichen LLM-Aufruf zur Schreibzeit (oder eine deterministische Heuristik für strukturelle Fakten), der über jede nachfolgende Leseoperation amortisiert wird. Quellenverfolgung kostet nichts außer der Aufzeichnung einer Kennung, die bereits existiert. Versionierung kostet eine zusätzliche Spalte oder ein Anhängen pro Schreibvorgang, keinen vollständigen Snapshot. Hindsights Beobachtungsebene fügt Speicher proportional zur Anzahl der abgerufenen und verwendeten Fakten hinzu, zeichnet aber nur auf, was der Agent tatsächlich konsumiert hat, nicht alles, was er gesehen hat.

Die betrieblichen Kosten sind die eigentliche Frage. Stufe-3-Dekoration bedeutet mehr Daten, die bei jedem Abruf fließen, was die Kontextfensternutzung und die Antwortlatenz leicht erhöht. Die Systeme, die dies ausliefern, handhaben es, indem sie Dekorationen prägnant halten – einen Quelltyp-Enum, einen Konfidenz-Float, einen Frischezustand – anstatt vollständige Provenienzbäume inline. Der Agent bekommt genug, um zu unterscheiden, ohne in Metadaten zu ertrinken.

Was die stärksten Implementierungen gemeinsam haben

Die Beispiele aus dem gesamten Korpus verdienen eine Wiederholung, weil keine zwei denselben Ausschnitt des Problems lösen:

OpenContext erstellt UUIDs, die jede Dateisystemumstrukturierung überleben, und stellt sie als ein Zitierschema zur Verfügung, das der Agent direkt verwenden kann. mem9 trägt Quelle, Agenten-ID, Sitzungs-ID auf jeder Zeile, Version bei jeder Aktualisierung und dekoriert Suchergebnisse mit Quellzug-Kontext, der durch ein explizites Budget gesteuert wird. Supermemory behandelt Erinnerungen als versionierten DAG mit typisierten Kanten, was jedem Glauben eine Commit-Historie gibt. Hindsight erfasst jede abgerufene und verwendete Tatsache in einer Beobachtungsebene mit vollständiger Quellenprovenienz, Evolutionshistorie und Ranking pro Abrufer. Graphify markiert jede Kante mit dreistufiger Erfassungskonfidenz und zeigt unsichere Kanten zur menschlichen Überprüfung an, anstatt sie als Tatsache zu behandeln.

Die einheitliche Beobachtung ist klar: Provenienz ist keine Metadaten, sie ist Teil der Tatsache. Die Systeme, die dies so behandeln, sind diejenigen, deren Speicher nicht stillschweigend verrottet, deren Widersprüche geschlichtet werden können, deren Halluzinationen zurückverfolgt werden können und deren Glaubenshistorie zu jedem beliebigen Zeitpunkt in der Vergangenheit zurückgespult werden kann, ohne dass die Notwendigkeit vorhergesehen werden musste.

Die Systeme, die dies nicht tun, sind diejenigen, deren Benutzer irgendwann lernen, dass der Speicher, dem sie vertrauten, die ganze Zeit eine Insel war.

Provenienz ist die billigste Versicherung, die Sie zur Schreibzeit kaufen können. Die Disziplin besteht darin, sie zu kaufen, bevor Sie herausfinden, dass Sie sie brauchten.

Fanden Sie diesen Artikel nützlich? Bitte teilen Sie ihn, damit auch andere davon profitieren können :)

Das nächste Stück behandelt hybrides Retrieval und RRF, das Muster, das es Ihnen ermöglicht, Vektor- und Schlüsselwortsignale zu kombinieren, ohne dass eines das andere übertönt – was am wichtigsten ist, wenn Provenienz Ihnen sagt, dass eine Tatsache solide ist, aber Relevanz allein sie begraben würde. Dieses Stück kommt bald.