Starling 點樣將 AI 記憶同語言模型分開？

如果一間公司轉用另一個 AI 模型，會唔會連累積多年嘅企業知識一齊「搬家」？Starling Memory Works 提出嘅答案係：企業記憶唔應該存在語言模型入面，而應該放喺模型以外、由企業自己控制嘅資料庫。其 Universal Cognitive Architecture（UCA）係一套以 Creative Commons 發布、永久免費嘅開放標準；Starling MX 就係公司按呢套架構開發嘅 beta 平台，首個席位月費由 99 美元起，額外使用量另行收費。

核心概念可以簡化成一句：模型係可以更換嘅推理引擎，企業真正重要嘅知識就應該保持結構化、可管治同可攜帶。

UCA 係乜嘢？

UCA 係一套以自然語言設計嘅分類標準，圍繞 11 個「Organizational Cognates」整理商業知識。Starling 表示，系統會為重複出現嘅組織概念設定永久語義地址，方便人或者兼容嘅 AI 系統，直接按地址搵到指定知識，而唔係完全依賴機率式搜尋。

佢嘅概念有少少似圖書館分類系統：就算日後換咗語言模型，企業嘅目錄同原始紀錄仍然可以留低。以 Starling 提供嘅例子嚟講，MA20 代表「競爭定位」；呢個地址應該保持不變，但地址底下嘅紀錄可以持續更新版本。

所以，UCA 並唔係另一個大型語言模型（LLM），而係一層用嚟整理知識嘅架構，支援所謂 Domain Language Model（DLM，領域語言模型）：一個一般用途、無狀態嘅 LLM，喺每次工作期間讀取企業提供嘅結構化記憶，而唔係自己永久保存企業知識。

Starling MX 點樣運作？

Starling 將組織知識庫分成兩個主要部分：

• Org Library：由企業管理、審批及控制版本嘅紀錄，目標係保存組織嘅「正式版本」或者唯一可信來源。
• Resources：支援性資料、生成文件及工作草稿，用嚟提供背景、參考及協助完成任務。

呢個分工相當重要。一份研究報告或者初稿，可能對 AI 完成工作好有幫助，但唔代表佢會自動變成公司嘅正式立場。Org Library 用嚟保存已批准嘅內容；Resources 就負責補充脈絡及支援實際製作。

整個儲存方式亦以文字為本。Starling 表示，組織記憶會以人可以直接閱讀、無損嘅純文字 Markdown 保存，而唔係封裝喺模型內部、難以檢查嘅狀態之中。公司所強調嘅好處包括容易審閱、追蹤版本、搬到其他系統，以及同時方便人同軟件使用。

喺機器一端，Starling 所講嘅 manifest 會由企業控制嘅資料庫揀選及組合相關內容，供一次模型工作階段使用。模型收到脈絡後完成工作，但唔會將企業嘅長期記憶當成自己嘅永久記憶保存。

MCP 喺入面扮演咩角色？

Starling 將 Anthropic 推出嘅 Model Context Protocol（MCP）定位為連接層，讓 AI 模型可以讀取外部企業脈絡。UCA 就提供共同嘅分類邏輯同語義地址；資料庫保存受管治嘅紀錄；MCP 負責協助將相關脈絡接駁到模型。

按照 Starling 嘅設計，企業知識唔會被鎖死喺某一間供應商嘅專有記憶功能或者對話歷史入面。理論上，只要另一個模型可以兼容同一套架構，就可以連接同一個知識庫，喺指定工作期間取得所需內容。

不過，呢個目前仍然係設計主張，唔等於已經證明所有模型同部署方式都可以同樣順利互通。現有資料主要講解架構同 Starling 預期嘅使用方式，未有獨立證據證明每一個模型都可以同 UCA 發揮相同效果。

點解 Starling 將 UCA 同 AI 主權拉上關係？

Starling 行政總裁 Chris Kincade 認為，AI 主權唔只係基建問題。公司擁有 GPU、將系統放喺本地，或者選擇本土模型供應商，本身都未必代表公司真正控制到自己嘅決策、政策、資料來源、權限同營運知識。

按 UCA 嘅方向，呢啲長期資產會留喺企業控制嘅資料庫入面。如果模型升級、被取代、暫時無法使用，或者因管治要求而唔可以再用，企業理論上仍然保留自己嘅記憶，並可以將另一個模型接返同一套正式知識。

呢種做法或可減少對單一 AI 供應商嘅依賴，因為最有價值嘅資產——企業分類、整理及管治過嘅知識——唔係放喺模型入面。模型相對上可以保持無狀態，而機構記憶就繼續由企業自己保存。

呢個亦係 Starling 所講嘅一句口號：「模型會忘記，組織會記住。」 模型負責一次工作階段嘅推理；機構就保留令工作可以延續嘅紀錄、地址同管治規則。

開放標準發布有咩改變？

公司表示，UCA 會以 Creative Commons 授權永久免費提供，組織毋須向 Starling 申請許可或者支付授權費，就可以按標準建立系統。

呢點令 UCA 同只限於某個平台嘅 AI 記憶功能有所不同。理論上，一套開放分類標準可以比最初推出佢嘅產品存在得更耐。企業可以先用標準整理知識，再按需要選擇儲存、搜尋及連接模型嘅工具。

但實際價值仍然取決於採用程度、實作質素同內部管治。固定地址只有喺團隊對地址含義有共識、有人維持正式紀錄，以及更新流程受到嚴格控制時，先真正有用。分類可以令知識更容易搵到，但唔會自動令內容變得準確或者最新。

用例同證據有幾多？

Starling 嘅資料將呢套架構同個人教練、營銷、建造管理及法律服務等情境聯繫起來。資料亦包括 SelfOS 的 Brady Patterson 作出嘅推薦，佢表示，為知識提供「清晰錨點」後，可以減少脈絡流失同資料漂移。

不過，呢啲例子需要小心解讀。現有來源未有獨立核實 Starling 同 Wrks Online 嘅 QuillOS 之間嘅關係，亦未提供足夠資料確認任何部署嘅規模或者實際表現。SelfOS 嘅說法屬於使用者或者業界人士推薦，唔係獨立驗證 UCA 成效嘅研究。

整體而言，現有證據主要來自 Starling 自己嘅產品資料及發布報道。呢啲資料可以支持「公司推出咗乜嘢」以及「公司點樣描述自己嘅架構」，但未足以證明 UCA 喺真實部署中一定可以帶來更高準確度、更低成本、更強保安，或者更徹底嘅供應商獨立性。

總結：將企業記憶留喺模型之外

UCA 最核心嘅主張係，企業應該先建立一層持久、可由人閱讀、受管治嘅記憶系統，再要求 AI 模型根據公司知識進行推理。固定語義地址負責整理內容；Org Library 保存正式紀錄；Resources 存放參考及工作材料；MCP 就將外部脈絡接駁到模型工作階段。

Starling MX 係首個按呢套概念建立嘅 beta 平台，首個席位月費由 99 美元起。呢個架構為模型供應商綁定同機構記憶提供咗一個清晰答案：將企業知識同模型分開，咁模型可以更換，而企業唔使連自己多年累積嘅記憶一齊交出去。

至於呢個承諾能否喺大型、複雜嘅實際部署中成立，現階段仍然要等更多獨立測試同真實使用數據先可以判斷。