认知图：3.入库与查询流水线
认知图：入库与查询流水线
把认知图作为长期可推理的知识层，对接 LLM 完成入库与查询。两端结构对称——入库把自然语言压成节点 + 关系，查询把 query 压成关键节点集再回到节点 + 关系。文档定位：规范态（spec）。
依赖：依赖：认知图：以谓词作为概念（unit / 节点 / 关系定义见 认知图：以谓词作为概念；文本到 unit 图的构建过程见 谓词定义）、文本到认知图：图构建方法（文本 → 图构建流程）。本文档只规定向量化、查询路径与
覆盖：扩展《认知图：1》§7 的查询规范——允许 LLM 节流策略。在线参与、补缓存 / 明面关系优先等节流策略。两份冲突时以本文档为准。
§1 总览
1.1 系统范围
把认知图作为长期可推理的知识层，对接 LLM 完成两端：
入库——自然语言文本 → unit 集 + 节点向量；
与查询——query 认知图文本 §六→ 查询的关系：原命中 §六unit 描述"查询是纯图遍历、无在线集 LLM"的极简路径；本文档允许→ LLM 在线参与，并补缓存 / 明面关系优先等节流策略——是更完整的查询规范，覆盖原 §六。总结答案。
一、核心思路
四条贯穿入库与查询的特性：
对称性 两端结构对称——— 入库把输入 → unit 节点集 + 关系；查询把 query → 关键节点集 → 在图里展开。两端走同一套同一套 LLM 抽取规则，向量化基于同一组节点，不在两侧各自再造一种表示。同一组节点向量。
1.2 关键特性
LLM 节流
——明面关系优先 明面关系（图上可直接遍历的边、family+ 闭包、同义属于
的1.3 流水线概览
迭代终止
二、入库流水线
原文 → LLM 抽取 → unit 集 + 图拓扑 → 节点向量化 → 持久化
1. LLM 抽取
按 文本到认知图 §三 把原文压成 unit 集 + 入口节点 + 关系。允许两种激进度，按文体选：查询：
()[模态]()[置信度]两者公共要求：不存储原文形态的句子镜像——即便细节保留模式也走 unit 结构，不退化为带索引的全文。
2. 节点向量化
对每个入口节点 {X} 计算嵌入向量，按节点 ID 索引。
{MB}[P](X)3. 关系持久化
unit 集 ground truth 是 unit 文本（认知图 §五）；反向索引（subject_mentions / context_mentions / narrowed_by）随入库自动更新。
向量层是反向索引的补充——不取代 subject_mentions 等符号索引，而是给"语义近似但字面不同"的 query 节点提供入口。
三、查询流水线
query → LLM 抽关键节点 → 向量比对 → 候选节点集
↓
┌────────────────────┐
│ 图扩展 (图扩展（无 LLM)LLM） │
│ ├ 定向遍历 │
│ └ 扩散查询 │
└─────────┬──────────┘
↓
┌────────────────────┐
│ LLM 分层下钻 │
│ 挑选 / 判够 / 选下跳│
└─────┬──────────┬───┘
↓够 ↓不够 / 漂移
总结返回 新种子 → 回图扩展
1.4 记号约定
{X} / (X) / [P]
见《认知图：1》§1.4
subject_mentions / context_mentions / narrowed_by
反向索引；见《认知图：1》§7.1
≡ / ↔ / ⇒
判断索引；见《认知图：1》§7.2
τ(edge_type) / ε / K
扩散查询参数；见 §3.3.2
§2 入库流水线
2.1 LLM 抽取
按《认知图：2》§2 把原文压成 unit 集 + 入口节点 + 关系。允许两种激进度：
()[模态] / ()[置信度]
两者公共要求：不存储原文形态的句子镜像——细节保留模式也走 unit 结构，不退化为带索引的全文。
2.2 节点向量化
对每个入口节点 {X} 计算嵌入向量，按节点 ID 索引。
派生节点 {MB} 单独嵌入（不是 M 与 B 嵌入的拼接），语义在派生整体上；
谓词实例 [P] 不嵌入——语义由 family 基础成员承载，归一化后走 family 闭包匹配；
(X) 不嵌入——不可查询节点不是检索入口。
2.3 关系持久化
unit 集 ground truth 是 unit 文本（《认知图：2》§4.1）；反向索引随入库自动更新。
向量层是反向索引的补充——不取代 subject_mentions 等符号索引，而是给"语义近似但字面不同"的 query 节点提供入口。
§3 查询流水线
3.1 关键节点抽取
把 query 当成一段输入，走与入库同一套当作一段输入，走与入库同一套 LLM 抽取流程（文本到认知图 《认知图：2》§三 步骤 2.1–3）2.3），产出 query 节点集 + 关键谓词。
目标不是完整 unit 图——只取能作为检索入口的节点（只取能作为检索入口的节点（即 {X}，不含 (X)）。
2.3.2 向量比对
每个 query 节点对库内入口节点向量做 top-k 近邻 → 候选节点集。候选节点集。
阈值过滤：阈值过滤——余弦相似度低于阈值的候选丢弃，
避免拉入语义不相关的节点。避免拉入语义不相关的节点；谓词作为方向偏置：谓词作为方向偏置——query 中归并到 family 基础成员的谓词，用于后续遍历的方向选择（不在向量层硬过滤）。
3.3 图扩展（不调 LLM）
候选节点为种子，两种互补路径，按 query 类型选择或并用——类型选择或并用。明面关系直接消费，是 LLM 节流的主战场。
3.3.1 定向遍历
适用于 适用：query 谓词明确（"X 的因果链"、"谁认为 Y"），沿特定关系走精确路径：沿特定关系走精确路径。
-
沿
subject_mentions取以候选为主体的unit。unit； -
沿
context_mentions取以候选为论元 / 修饰行值的unit。unit； -
沿
属于闭包传递（上位类断言下沉到子类）。； -
沿
同义合并 ≡索引下的等价节点。索引下的等价节点； -
沿
被取代链取末端（跳过被取代的旧 unit）。； -
沿
narrowed_by取派生取派生节点（基础节点不继承派生节点的具体断言）。node（基础 node 不继承派生 node 的具体断言）。
3.3.2 扩散查询
适用于 适用：query 意图模糊 / 需要广联想（综述类、对比类、"这个概念让你想到什么"），或定向遍历命中太少时作为补充。
从种子节点出发，沿全部关系按权重逐跳传播激活——模拟人脑联想记忆：模拟人脑联想记忆：cue 激活相关概念，相关概念再激活下一层，逐层衰减。
参数：
| 参数 | 含义 | 典型取值 |
|---|---|---|
| 初始能量 E₀ | 种子节点起始激活值，可按向量相似度加权 | 1.0 |
| 传导系数 τ(edge_type) | 边的"易联想度"——强关联边传更多能量 | 同义 ≈ 0.9 / 属于 ≈ 0.7 / 的 ≈ 0.5 / 内容 family ≈ 0.3 / 相关于 ≈ 0.2 |
| 衰减阈值 ε | 能量低于 ε 的节点不再向外传 | 0.05 |
| 最大跳数 K | 兜底，防发散 | 3–5 |
输出每个被激活节点的累积能量值，作为"联想强度"排名。作为联想强度排名。能量值是排序权重，不代表事实可信度—不代表事实可信度——事实由 unit 本身承载。
4.3.4 分层下钻（LLM 介入）
扩展到的 unit 集合给集合交给 LLM，它做三件事：
属于 拉来的不相关上位事实，或扩散激活拉来的语义远点）下钻与扩散可来回多次：下钻与扩散可来回多次：下钻指出新种子 → 回到 §三.3（定向或扩散）3.3 → 拿新结果再下钻。
两条收敛条件，收敛条件——任一成立即停止迭代：
信息覆盖度—query 节点全部被命中节点 / 扩展节点覆盖；关键谓词在某条 unit上落地。上落地；边际收益消失—上一轮扩展带来的新 unit 中没有再回答 query 的内容。
兜底上限：最大下钻轮数 / 最大命中 unit 数。超过即停（防止开放式防开放式 query 不收敛）。
5.3.5 总结返回
LLM 判 "判"信息足够" 后，基于命中 unit 集生成回答。回答的事实基础限定在命中 unit 集—集——不允许 LLM 用参数化知识补未在图里的事实，否则破坏图作为 ground truth 的地位。
四、§4 LLM 节流
查询流水线的 LLM 调用集中在 §三.3.1（query → 关键节点）、§三.3.4（分层下钻）、§三.3.5（总结）。两条策略压缩调用量：两条策略压缩调用量。
1.4.1 走明面关系明面关系优先
能在符号图上直接遍历得到的事实，不让 LLM 复述：
| 任务 | 走明面关系 | 调 LLM 的场景 |
|---|---|---|
| 找以 X 为主体的所有事实 | subject_mentions[X] |
/ |
| 找 X |
narrowed_by[X] |
/ |
| 找因果链下游 | 谓词 ∈ 导致 family，沿 (因→果) 主体遍历 | / |
| 联想相关节点（模糊 / 综述 query） | 扩散查询（§ |
联想结果中筛掉远端噪声 |
| 合并语义近似的 query 节点 | 同义 闭包 + ≡ 索引 |
向量空间命中但库内无 同义 主 unit 时，LLM 判 ≡ / ↔ |
| 取最新事实 | 沿 被取代 ⇒ 链取末端 |
/ |
| 跨多 unit 综合回答 | / | 综合本身需要 LLM |
| query 节点对应库内哪个具体节点 | 向量 top-k | 多个候选难选时升级到 LLM 二选 |
2.4.2 缓存缓存与失效
三层都可缓存，按缓存键复用：三层都可缓存：
缓存的代价是新事实入库失效集——每条缓存项必须挂"依赖的节点 →/ 已缓存的"信息足够"判断可能过时。入库时按节点维护失效集——unit"清单。某节点入新 unit → 含该节点的缓存条目失效。含该节点的缓存条目全部失效。不允许只写入不失效。
五、§5 不变量
整个流水线必须满足：整个流水线必须同时满足：
入库 - 查询节点表征同构：入库—查询节点表征同构——入库与查询走同一套 LLM 抽取规则（文本到认知图《认知图：2》§三）2），同一节点 ID 在两端指向同一向量、同一图位置。- 向量与扩散只决定排序，
不决定事实：不决定事实——候选节点 / 联想节点由向量相似度和扩散能量给出，事实由 unit 给出。不允许把向量相似度或扩散能量当作事实可信度——它们只是排序权重。不允许把向量相似度或扩散能量当作事实可信度。 - 回答的事实基础限定在命中 unit
集：集——LLM 总结时不可引入未在图里的事实；缺失就报告"图中无此信息"。 - 明面关系优先于 LLM
推理：推理——能在符号闭包内得到的关系不调 LLM；调 LLM的位置是的位置仅限 §三.3.1 / §三.3.4 / §三.5，其余位置不调。3.5。 缓存与失效成对：每条缓存项必须有可识别的失效条件（依赖的节点 / unit 集变动），不能"只写入不失效"。缓存与失效成对——每条缓存项必须有可识别的失效条件；不允许只写入不失效。不存储原文句子镜像：不存储原文句子镜像——入库丢叙述外壳，留事实节点；细节保留模式也走修饰行 /派生 node，派生节点，不退化为带索引全文。
违反任一条 → 流水线退化为普通 RAG（全文检索 + LLM 重读），失去认知图带来的可推理性。
六、trade-§6 Trade-off
取舍 内容
入库代价高于纯 RAG，查询代价高于纯图遍历向量层引入语义漂移风险
—— 余弦近邻可能拉入"看起来相关但不是同一概念"的节点（如"想象增强智能体" 与"想象力" 在向量空间近邻，但前者是具体架构、后者是通用能力）。靠 §三.3.4 的 LLM 挑选相关步骤兜底—挑选步骤兜底——这步删错节点比保留无关节点风险低。这步删错节点比保留无关节点风险低
扩散查询参数难调
—— 传导系数 τ 决定哪些关系"易联想"：调高了拉来太多噪声、远端节点全亮，调低了等同纯定向遍历、失去广度。调高拉来噪声，调低等同纯定向遍历。需要按文档域校准（学术语料 属于 / 导致 传得更远；生活语料 相关于 权重应升）。联想性 query 下扩散可能激活近半张图，靠 K / ε / LLM 挑选三重兜底。挑选三重兜底
缓存让查询走捷径，也让设计错误持久化
—— 一次错判的"信息足够"被缓存后，重复 query 都拿到同样错的回答。失效条件设计是缓存层的核心难点。失效条件设计是缓存层的核心难点
分层下钻的终止靠分层下钻终止靠 LLM 主观判断
—— 没有形式化的"收敛条件"。没有形式化的收敛条件。两条启发（覆盖度 + 边际收益）可缓解但消不掉。极端 query（开放式综述、对比类问题）下 LLM 可能反复扩展不收敛——靠最大跳数 / 最大命中数兜底。最大命中数兜底
明面关系覆盖度依赖入库质量
—— 若入库时谓词没归到 family 基础成员、派生 node 没正确声明，派生节点没正确声明，查询期的 同义 / 属于 闭包遍历就走不通，被迫退化到 LLM 判 ≡ / ↔。入库代价转嫁查询代价。入库代价转嫁查询代价