图引擎—循环内存模型

love100eva

游客，如果您要查看本帖隐藏内容请回复

图引擎—循环内存模型：为基于智能体的工作流提供持久化的存储机制、可追溯性以及通过图结构实现的共享知识功能   英文版 | 共138页 给大家翻译成中文了

通过将决策、证据以及执行历史转化为可长期保存且可追溯的图结构，从而让智能系统拥有能够在每次运行后依然保留的记忆。

核心特点

通过双图架构与明确的桥接规则，将工作历史与持久性知识区分开来
在令牌预算限制内，从图路径中获取经过来源追踪的小型上下文窗口。
使用带作用域承诺的并行工作进程，实现写操作验证、归约器契约以及严格的预算控制。
智能体循环机制很擅长完成工作，但一旦上下文窗口关闭，这些工作的背后逻辑就会消失。两个智能体会在相隔三个迭代周期后再次发现同一个错误；在第12次运行中做出的决策，在第47次运行时却会被无视，与之前的决策相矛盾。

图形工程将这种推理过程从文本记录中提取出来，放入明确的知识图中。我们会将执行历史与持久性知识分开进行建模，再通过少量关联关系将两者连接起来。Markdown仍然是权威的数据来源；而知识图则只是为查询目的而创建的临时索引，并非另一种真实数据来源。

从那里开始，这本书将该模型转化为一种可实际使用的机制：解析结构化的数据存储，仅提取真正的散文内容，识别其中的实体，并建立各种类型的关系。它只会获取相关的小范围数据，而不会将整个知识库都纳入处理范围。书中还介绍了如何通过评估来验证各个处理路径的合理性，以及如何让多个处理进程同时工作而不破坏共享状态；同时，也说明了如何保持从原始数据到最终成果之间的逻辑一致性。

最后一部分是结论：哪些指标能够反映图的质量，错误的合并操作和不良的激励机制是如何导致错误结果的，这种架构会带来怎样的成本，以及在何种情况下，使用简单的ADR日志或关系型数据库才是更好的选择。

你将学到的内容

●从循环、链式、群体、有向无环图或图形结构中选择合适的架构
●为工作历史和有效知识分别定义独立的架构。
●将Markdown节点转换为可一次性使用的查询索引
●为图结构断言增添来源信息、可信度与有效性
●计算与表面重复项的近邻链接，而不将其视为事实
●构建一个具备类型标注且能感知时间的上下文汇编器
●应根据图路径来验证声明，而不仅仅是依据文字描述
●衡量图表质量，并判断何时无需创建图表