SVO语义检索的系统化方案
SVO 3.2 语义检索的系统化方案
本版修订：检索架构由原"四层索引 + 多路召回 + 学习排序"改为脑启发的扩散激活模型：单一概念向量索引作入口，SVO 3.2 的全部结构化关系（槽位、PropRef、逻辑前后件）降级为类型化有向图的边，检索 = 多入口并行扩散 + 能量汇聚叠加 + 阈值触发 + 情境快照回放。详细决策过程见
docs/superpowers/specs/2026-04-14-svo-spreading-activation-design.md。
零、一句话概述
把 SVO 3.2 表达式分解成"概念簇 / 动作命题 / 逻辑命题"三类语义原子——所有作用域关系通过 : 绑定或 PropRef 引用表达——仅为"概念簇"建向量索引作为检索入口，其余原子与引用关系编织成一张类型化有向图；查询时 SVO 解析出多个概念簇作多路入口，在图上并行扩散激活，累积能量超过阈值的节点回放为完整语义单元返回。
核心设计哲学：
- 语义是连续的，交给向量（入口）；结构是离散的，交给图（扩散）。 两者解耦，各尽其职。
- 用软权重模拟硬过滤。 极性/量词/模态/连词作为节点门控属性，冲突时衰减能量而非一刀过滤——保留"话到嘴边"的脑式容错。
- 扩散 = 模糊检索。 多入口激活在目标节点叠加、噪声相互抵消，是
大脑记忆的核心机制.md §四扩散激活的直接映射。
SVO 3.2 取消了 >> 算子，把原本混在"情境"里的两类东西——非命题性作用域(话题/身份/范围/句子级副词)与命题性推导(条件/让步/因果/推论)——彻底分开。前者归入 :(属性)，后者归入 >(力)。检索系统同步这个切分：前者对应图中的"修饰边"，后者对应图中的"逻辑边"，扩散时走不同权重分支。
一、第一性原理：定义"语义相关"
脱离对"相关"的精确定义去谈检索，必然做出一锅粥式的系统。SVO 检索服务的相关性是分层的，不同层级由图中的不同元素承担。
- L1 · 概念相关：词项语义相似；示例是查"汽车"召回"轿车""SUV"；承担者为概念向量索引（检索唯一入口）。
- L2 · 命题相关：主谓宾整体相似，角色对齐；示例是查"K 表示 AGI 还远"召回同义改写；承担者为入口概念经 1 跳槽位边激活动作命题节点。
- L3 · 作用域相关：话题/身份/范围属性匹配；示例是查"低资源场景下的模型压缩"；承担者为入口 scope 概念经修饰边激活命题。
- L4 · 推导相关：条件/让步/因果链的前件或后件匹配；示例是查"如果模型开源会怎样"命中条件链的前件；承担者为扩散至逻辑命题节点 + 沿逻辑边双向展开。
- L5 · 蕴含相关：逻辑等价与否定/量词/模态的正确区分；示例是"所有学生通过" ≡ "没有学生没通过"；承担者为节点门控属性的能量衰减（软约束）。
- L6 · 结构类比：骨架相同、实体不同；示例是"A 促使 B 认识到 C" 类比检索；承担者为扩散的自然副产物——结构同构的命题在图上距离近，激活自然接近。
关键洞察：相对于原四层索引方案"每层一个专用索引"，扩散架构把 L2-L6 统一交给同一张图上的类型化扩散，仅 L1 保留独立向量索引。这是真正奥卡姆式的收敛。
二、语义原子化：入库时的分解
一条 SVO 3.2 表达式入库时，不作为整体被索引，而是分解成三类独立节点，通过 ID 保留原始关系。这一节与旧架构完全一致——入库分解与检索架构解耦。
2.1 三类原子(3.2 版)
① 概念簇 (Concept)
由 : 链坍缩出的复合单位，代表实体、概念或作用域属性。
- 实体型：
(OpenAI:创始:元老):Karpathy - 概念型：
(协作式:中间态) - 作用域型：
(AI:辅助:编程:方面)、(前:负责人) - 句子级修饰型：
显然、(不幸:的是)
② 动作命题 (Action Proposition)
施事 > 动词 > 受事 三元组。> 的两端都是词项或概念簇(而非完整命题)。
- 示例：
Karpathy > 表示 > [PropRef]、论文 > 促使 > Tishby
③ 逻辑命题 (Logical Proposition)
(前件) > 逻辑连词 > (后件) 结构。> 的两端都是封装的完整命题。连词为 则 / 尽管 / 导致 / 因此 / 促使 / 以便 等有限集合。
- 示例：
(该计划 > 不:公开) > 则 > (该计划 > 无法:获得 > 认可)
2.2 原子间的三种引用关系(PropRef 机制扩展)
3.2 中 PropRef 不再只表达"言说嵌套"，而是统一表达三种命题级引用。每种引用类型在图中对应一类有权重的边。
- 言说引用（
ref:utterance）：源字段为动作命题的宾语槽，指向另一个命题；典型 SVO 形式K > 表示 > (P)；在图中体现为"言说边"（权重 0.5）。 - 修饰引用（
ref:modifier）：源字段为作用域概念的修饰对象，指向一个命题；典型 SVO 形式显然 : (P)、(AI:方面) : (P)；在图中体现为"修饰边"（权重 0.6）。 - 推导引用（
ref:logical）：源字段为逻辑命题的前件/后件槽，指向两个命题；典型 SVO 形式(P1) > 则 > (P2)；在图中体现为"逻辑前件边 / 逻辑后件边"，权重按连词分化（详见 §三）。
2.3 分解示例(3.2 版)
原始 3.2 表达式：
(前:负责人) : Karpathy > ((今天 & 明确 & (向:团队)) : 表示) > ((该计划 > 不:公开) > 则 > (该计划 > (无法:获得) > 认可))
分解结果：
概念簇:
C1 = (前:负责人) role=scope
C2 = Karpathy role=entity
C3 = 今天 role=scope (时间状语)
C4 = 明确 role=scope (方式状语)
C5 = (向:团队) role=scope (对象状语)
C6 = 该计划 role=entity
C7 = 认可 role=concept
动作命题:
P1: [C2] > 表示 > [PropRef→L1]
谓词修饰: [C3, C4, C5] (通过 ref:modifier 指向 P1)
实体修饰: C1 修饰 C2 (通过 ref:modifier，绑定到 P1 的 subject 槽)
P2: C6 > 不:公开
(这里的"不"作为极性标记记在 P2 的 polarity 字段)
P3: C6 > 无法:获得 > C7
(这里的"无法"作为模态标记记在 P3 的 modality 字段)
逻辑命题:
L1: [P2] > 则 > [P3]
connector = 则
(P2、P3 通过 ref:logical 被 L1 引用)
根节点:
P1 是表达式的入口，整句被 P1 索引
三、图模型（替代原四层索引）
整个检索系统只有两个数据结构：一个概念向量索引 + 一张类型化有向图。
3.1 节点（3 类，复用 §二 的原子分类）
| 节点类型 | 对应 SVO 原子 | 承担的语义相关层 |
|---|---|---|
| 概念簇节点 | Concept（entity / concept / scope / sentence_mod） | L1 入口、L3 作用域 |
| 动作命题节点 | Action Proposition（S>V>O） | L2 命题相关 |
| 逻辑命题节点 | Logical Proposition（前件>连词>后件） | L4 推导相关 |
3.2 节点门控属性（不是边，是节点自带的调节器）
| 字段 | 取值 | 作用 |
|---|---|---|
polarity |
+1 / -1 | 极性翻转检测 |
quantifier |
所有 / 某 / 没有 / NULL | 量词强度匹配 |
modality |
必须 / 可能 / NULL | 模态匹配 |
connector |
则 / 尽管 / 导致 / 因此 / 促使 / 以便（仅逻辑命题） | 连词类型区分 |
门控语义：扩散时源节点与目标节点的门控属性冲突（两端都有值且不等），能量乘以 gate_penalty（默认 0.1）。NULL 视为"未指定"不触发惩罚。
这对应 大脑记忆的核心机制.md §2.3 的神经调质动态调节——不改变拓扑，只调节能量传递。
3.3 边（5 类，带静态权重，全部写入 config.yaml）
| 边类型 | 数据来源 | 方向 | 基础权重 | 承担层 |
|---|---|---|---|---|
| 槽位边 | action_prop.subject_id/object_id |
concept ⇄ action_prop | 0.8 | L2 |
| 言说引用边 | prop_ref.ref_type = utterance |
action_prop → action_prop | 0.5 | L2 嵌套 |
| 修饰引用边 | prop_ref.ref_type = modifier |
scope_concept → proposition | 0.6 | L3 |
| 逻辑前件边 | logical_prop.antecedent_id |
logical_prop → action_prop | 按连词分化 | L4 |
| 逻辑后件边 | logical_prop.consequent_id |
logical_prop → action_prop | 按连词分化 | L4 |
连词分化权重（初值，阶段一手调，阶段二上学习权重）：
则0.7、导致0.8、因此0.7、促使0.75、以便0.5尽管0.3（反预期，能量传递弱）
3.4 概念向量索引（唯一的独立索引）
作用：扩散的起点。查询 SVO 解析后得到的每个概念簇，在此索引上取 top-K 作为图入口。
编码策略（与旧方案一致，继续分两阶段）：
阶段一：加性组合（零训练）
v(concept) = v(核心词) + Σ α_i · v(修饰词_i)
其中 α_i 按绑定深度衰减（如 0.8^depth）。
阶段二：Transformer + 绑定深度位置编码
- 线性化为
[CLS] 修饰1 : 修饰2 : ... : 核心词 [SEP] - 绑定深度作为位置编码
- CLS 池化输出向量
- 按 role 字段训练四个 LoRA 适配器，不强行统一编码空间
训练数据（五类对比对）：
- 同指正例：同实体不同描述（Wikidata 对齐）
- 属性敏感正例：同实体不同属性强调点
- 混淆负例：同属性不同核心词（强迫模型关注核心词）
- 属性翻转负例：
(前:CEO):Xvs(现任:CEO):X - role 混淆负例：
(AI:方面)vsAI（强迫模型识别"方面"这个尾缀改变了 role）
按 role 分流：查询时按查询词类型选择召回的子索引集合：
- 查询实体 → entity + concept 子索引
- 查询场景 → scope 子索引
- 查询谓词修饰语 → sentence_mod 子索引
四、扩散激活检索流程
4.1 流程图
用户查询（自然语言或 SVO 3.2 表达式）
│
▼
┌── 步骤 1: SVO 解析 ──┐
│ 解析成 SVO 3.2 树 │
│ 抽取所有概念簇作入口 │
│ 解析失败 → 整句向量降级│
└──────────┬───────────┘
│
▼
┌── 步骤 2: 入口激活 ──┐
│ 每个概念簇 → │
│ 概念向量索引取 top-K │
│ 初始能量 = 余弦相似度 │
└──────────┬───────────┘
│
▼
┌── 步骤 3: 并行扩散 BFS ──┐
│ 最多 2 跳 │
│ 沿类型化边,按边权重衰减 │
│ 节点门控软过滤 │
│ 多源能量求和（汇聚叠加） │
│ 扇出归一化（ACT-R fan） │
│ 能量 < 阈值不再扩散 │
└──────────┬────────────────┘
│
▼
┌── 步骤 4: 三层输出组装 ──┐
│ conclu: 表达式级聚合 top-M│
│ info: 原子级 top-N + 路径│
│ output: 逻辑链补齐 │
└───────────────────────────┘
4.2 能量传播公式
a_j(t+1) = Σ_i [ a_i(t) · w_type(i→j) · gate(i, j) · fan_norm(i) ] · global_decay
其中:
w_type(i→j) = 边类型基础权重（逻辑边用连词分化权重）
gate(i, j) = 1.0 门控一致
= gate_penalty 门控冲突
global_decay = 0.7
fan_norm(i) = 1 / sqrt(fan_out(i)) 当 fan_out(i) > fan_trigger
= 1 否则
fan_norm 作用于源节点 i：高出度节点的能量均摊到所有出边，防止 hub 节点（"AI""机器学习"等）吞掉全图能量。这是 ACT-R fan effect 的实现（大脑记忆的核心机制.md §5.2）。
4.3 关键默认参数（全部写入 config.yaml，阶段一手调校准）
activation:
entry_top_k: 5 # 每个入口概念召回的候选数
max_hops: 2 # 最大扩散跳数
global_decay: 0.7 # 每跳全局距离衰减
threshold: 0.05 # 节点最低保留能量
gate_penalty: 0.1 # 门控冲突时的能量乘数
fan_normalizer: sqrt # sqrt / linear / none
fan_trigger: 20 # 出边数超过该值启用归一化
max_visited_nodes: 10000 # 防退化上限
output:
conclu_top_m: 10 # 结论层表达式数
info_top_n: 30 # 证据层原子数
logic_chain_max_depth: 4 # 逻辑链最多展开深度
4.4 三层输出契约
与当前 BuildContextFragments 返回值向下兼容：
def SpreadingActivationSearch(query: str) -> tuple[str, str, str]:
"""返回 (conclu, info, output)"""
return conclu, info, output
- conclu（结论层）：top-M 源表达式（SVO canonical + 自然语言回译），按聚合能量排序。一个表达式的总能量 = 其内部被激活原子的能量之和，去重，带长度惩罚。LLM 的主要生成依据。
- info（证据层）：top-N 激活原子，每条带
(atom, energy, entry_sources, hop_path)。用于调试、人工排错、LLM 定位命中点。 - output（推导层）：扫描激活到的逻辑命题，沿
ref_logical链前后向各展开至logic_chain_max_depth跳，即使链上节点未达阈值也补齐。保证 LLM 看到完整因果/条件链。
4.5 典型场景下的扩散行为
| 查询 | 扩散行为 | 结果 |
|---|---|---|
(模型 > 开源) > 则 > (?) |
入口激活 模型、开源；经槽位边 1 跳到命题 模型>开源；经逻辑前件边到 (模型>开源)>则>X |
connector=则 的后件 X 能量高 |
所有:学生 > 通过 > 考试 |
入口激活 学生、通过、考试；候选命题 某:学生 > 通过 > 考试 因量词冲突能量 × 0.1 |
量词匹配的命题排前 |
现有:框架 > 适用 |
候选 现有:框架 > 不:适用 因 polarity 冲突能量 × 0.1 |
反义命题几乎不达阈值 |
(AI:方面) : (K > 偏向 > X) |
scope 入口 AI:方面 经修饰边激活命题；其他作用域的命题得不到这条路径的能量 |
作用域外的相关命题降权 |
| 类比查询"A 促使 B 认识到 C" | 结构同构的命题在图中拓扑接近，扩散自然汇聚 | L6 类比无需专门结构哈希 |
五、核心技术挑战与解法
5.1 SVO 3.2 解析器的稳定性（最关键风险点）
3.2 把消歧责任从算子级推到了操作数形态级。扩散架构对解析器的依赖比旧架构更重——解析结果直接决定入口概念集合。
行动指引：
- 建立解析稳定性基准测试。准备 500 句带歧义的自然语言，每句 10 个人工改写，跑解析器。统计同语义句的 SVO 3.2 树一致率（以结构指纹为准）。
- 一致率门槛：低于 85% 不得投入检索系统生产环境。
- 双轨降级机制：解析成功走多入口；解析失败整句向量化作单入口。保证服务可用性不受解析器抖动影响。
- 优先稳定"作用域 vs 条件"的识别——这是 3.2 解析器最容易出错的地方。中文里"在 X 的情况下"既可能是话题（
(X) : (...)）也可能是条件（(X) > 则 > (...)），必须用上下文特征分类，不能靠正则。
5.2 编码器必须"懂算子 + 懂连词"
要求编码器对 > 的两种承载（动作流 vs 逻辑流）通过两端操作数形态自动区分，且对连词词项（则 / 尽管 / 导致）敏感：
- 角色翻转：
A > 杀 > BvsB > 杀 > A——期望距离远。 - 同义动作：
A > 喜欢 > BvsA > 爱 > B——期望距离近。 - 极性翻转：
不:适用vs适用——期望距离远（但注意：这部分主要靠门控而非向量区分）。 - 作用域翻转：
(战时):(军队>训练)vs(和平):(军队>训练)——期望距离远。 - 连词翻转：
(P) > 则 > (Q)vs(P) > 尽管 > (Q)——期望距离远（但注意：这部分主要靠边权重分化）。
5.3 参数校准（扩散架构特有）
旧架构的学习排序被扩散能量直接定序替代，但引入了新的调参挑战：
gate_penalty与threshold的交互：0.1 的惩罚 × 1.0 初始能量 × 0.7 衰减 ≈ 0.07，勉强过 0.05 阈值。需用标注集校准，不能拍脑袋。- 连词权重的相对值：
则=0.7 vs尽管=0.3 的比值直接决定反预期召回率。 - 扇出归一化触发点：
fan_trigger=20是经验初值，在实际数据集上需监控 hub 能量占比。
方法：阶段一准备 100 条 query → expected 标注集，脚本化 grid search；阶段二改为小规模监督学习。
5.4 双重本体在向量空间中的投影
3.2 的二元本体（属性 / 力）在向量空间里建议显式投影到两个子空间：
- 属性子空间：编码概念簇、作用域修饰
- 力子空间：编码动作命题、逻辑命题（仅用于训练对比，不参与在线扩散）
同一个 BGE-base 主干 + 两个投影头（projection head）。训练时在两个子空间分别做对比学习。扩散在线检索只用属性子空间（因为入口是概念簇）；力子空间主要用于离线诊断和未来扩展。
六、数据模型（3.2 核心表结构）
-- 概念簇表
CREATE TABLE concept (
id BIGSERIAL PRIMARY KEY,
canonical TEXT NOT NULL, -- SVO 线性形式
core_word TEXT NOT NULL, -- 核心词
modifiers TEXT[] NOT NULL, -- 修饰链
role VARCHAR(16) NOT NULL, -- entity|concept|scope|sentence_mod
vector VECTOR(768) -- 唯一的向量索引
);
-- 动作命题表（扩散图节点）
CREATE TABLE action_proposition (
id BIGSERIAL PRIMARY KEY,
subject_id BIGINT REFERENCES concept(id),
verb TEXT NOT NULL,
object_id BIGINT REFERENCES concept(id), -- NULL 表示宾语是 PropRef
object_ref BIGINT, -- PropRef:指向另一命题
polarity SMALLINT NOT NULL DEFAULT 1, -- 节点门控
modality VARCHAR(16), -- 节点门控
quantifier VARCHAR(16), -- 节点门控
source_expr_id BIGINT NOT NULL -- 指向源 SVO 表达式（conclu 聚合用）
);
-- 逻辑命题表（扩散图节点）
CREATE TABLE logical_proposition (
id BIGSERIAL PRIMARY KEY,
antecedent_id BIGINT NOT NULL REFERENCES action_proposition(id),
connector VARCHAR(16) NOT NULL, -- 节点门控 + 边权重来源
consequent_id BIGINT NOT NULL REFERENCES action_proposition(id),
source_expr_id BIGINT NOT NULL
);
-- 引用关系表（扩散图边）
CREATE TABLE prop_ref (
id BIGSERIAL PRIMARY KEY,
source_type VARCHAR(16) NOT NULL, -- action|logical|concept
source_id BIGINT NOT NULL,
target_type VARCHAR(16) NOT NULL, -- action|logical
target_id BIGINT NOT NULL,
ref_type VARCHAR(16) NOT NULL -- utterance|modifier|logical
);
CREATE INDEX idx_ref_target ON prop_ref(target_type, target_id, ref_type);
CREATE INDEX idx_ref_source ON prop_ref(source_type, source_id, ref_type);
-- 源表达式表（供 conclu 聚合层回溯）
CREATE TABLE source_expression (
id BIGSERIAL PRIMARY KEY,
canonical TEXT NOT NULL, -- SVO 3.2 canonical 形式
natural TEXT NOT NULL, -- 自然语言回译
doc_id BIGINT, -- 源文档
line_no INT -- 源文档行号
);
相对旧架构的关键变化：
- 移除
action_proposition.vector字段：动作命题不再独立建向量索引，扩散完全依靠图结构。 - 移除
action_proposition.fingerprint字段：结构哈希索引废弃。 - 移除
logical_proposition.antecedent_vec / consequent_vec字段：前后件向量索引废弃。 - 新增
source_expr_id外键：供conclu聚合层按源表达式分组。 - 新增
source_expression表：检索结果的最小可读单元。
不变的部分：
prop_ref表同时服务三种引用类型，通过ref_type区分——这是扩散图的边表。polarity/modality/quantifier/connector作为节点的头等字段——这是门控的前提。
七、工程落地路径
7.1 基础设施选型
- 概念向量索引：Qdrant 或 Milvus；理由是支持带 metadata 的过滤（按 role 分流）。
- 关系表 & 图边表：Postgres；理由是外键保一致，
prop_ref双向索引即扩散图邻接结构的持久化。 - 内存图：启动时从 Postgres 加载成 numpy / scipy sparse 邻接表，百万节点量级约 500MB。
- 编码器：BGE-base + LoRA；理由是中文效果好，微调成本低。
- 扩散算法：纯 Python 实现（
SpreadingActivation模块），无需新服务。
废弃的基础设施：
- Elasticsearch（原 B1 倒排）——槽位边扩散替代
- Redis（原 B2 结构哈希）——扩散自然实现 L6 类比
- pgvector 的前后件向量列——逻辑命题作为图节点，不再独立向量化
7.2 三阶段演进
阶段一：MVP（2-4 周）
- 完整跑通 SVO 解析 → 多入口 → 类型化边扩散 → 三层输出
- 概念编码器用加性组合（零训练）
- 参数全部手调，从 §4.3 的初值开始
- 准备 100 条人工标注
query → expected，脚本化 grid search 校准threshold与gate_penalty - 目标：跑通全链路，验证扩散能量排序能替代学习排序
阶段二：精度提升（1-2 月）
- 编码器微调：概念按 role 分四个 LoRA
- 扇出归一化从
sqrt改为学习权重（按边类型 + 节点度数联合） - 连词权重从手调改为小规模监督学习（需要 500+ 标注对）
- 门控系数按冲突类型细化（polarity / quantifier / modality / connector 分别调）
- 目标：L3、L4 召回率显著提升，Hub 能量占比 < 30%
阶段三：持续优化
- 全图 edge attention（类 GNN），端到端学习边权重
- 激活缓存：高频查询结果缓存，类似
大脑记忆的核心机制.md §4.3的启动效应（priming） - 多模态入口：图片/音频也作为入口激活源
- 属性 / 力双子空间投影上线（在线查询仍只用属性子空间）
7.3 评估指标
沿用旧架构的指标：
- 角色准确率：施事/受事对齐
- 极性准确率：是否错召反义
- 量词一致率：量词强度匹配
- 作用域覆盖率：话题/身份命中
- 嵌套深度保持率：言说展开正确性
- 连词一致率：条件/让步/因果的连词是否正确匹配
- 逻辑链完整率：推导链被完整展开的比例
扩散架构新增指标：
- 扩散覆盖率：目标命题在 2 跳内被激活到的比例
- 能量信噪比：top-K 结果的能量均值 / 第 K+1 位的能量（越高越好）
- Hub 能量占比：top-20 最高出度节点被激活的能量占总能量的比例（应 < 30%，否则 fan 归一化失效）
- 门控过滤准确率：冲突门控的命题被压至阈值以下的比例
八、快速操作查找表（扩散架构版）
- 找含特定实体的表达式 → 以实体词为入口概念激活
- 找含特定话题/场景的表达式 → 以 scope 概念为入口，走修饰边 1 跳
- 找含特定句子级态度词（如"显然"） → 以 sentence_mod 概念为入口
- 找角色精确匹配的动作命题 → 入口概念 + 槽位边 1 跳（原 B1 倒排的功能）
- 找结构相同的类比动作命题 → 多入口扩散自然实现（原 B2 结构哈希的功能）
- 找语义模糊相似的动作命题 → 入口概念 top-K + 扩散 2 跳
- 找满足"如果 X 则…"的推导 → 以 X 为入口，激活逻辑命题节点，沿后件边展开，connector=则 的权重最高
- 找"…导致 X"的推导 → 以 X 为入口，反向沿前件边扩散，connector=导致 的权重最高
- 找特定连词的推导链 → 连词权重直接分化，无需额外过滤
- 找"在某作用域下"的命题 → scope 概念入口 + 修饰边扩散
- 避免召回反义命题 → 节点 polarity 门控自动 × 0.1 衰减
- 避免召回不同连词的逻辑 → 连词权重差异（
则=0.7 vs尽管=0.3）自动压制 - 追溯"谁说了这句话" → 沿 ref:utterance 反向边扩散
- 展开"他说了什么" → 沿 ref:utterance 正向边扩散
- 追溯"这个结论的前提是什么" → 沿 ref:logical 反向边扩散（或 output 层的逻辑链补齐）
- 展开"这个条件会推出什么" → 沿 ref:logical 正向边扩散
九、参考
- 详细设计决策记录：
docs/superpowers/specs/2026-04-14-svo-spreading-activation-design.md - SVO 3.2 算子规范：
Agent/SVO语义矢量算子手册.md - 生物学原型与设计灵感：
Agent/大脑记忆的核心机制.md