面向RAG的自我感知向量嵌入：联合管理时间、置信度与关系

现代检索增强生成（RAG）系统将向量嵌入视为静态、上下文无关的工件：嵌入不知道它何时创建、其来源有多可信或哪些其他嵌入依赖于它。这种知识的扁平化会带来可衡量的成本：VersionRAG 的最新研究报告称，传统 RAG 在版本化技术查询上仅实现 58% 的准确率，因为检索返回语义相似但时间上已失效的内容。我们提出了 SmartVector，这是一个通过三个显式属性（时间意识、置信度衰减和关系意识）增强稠密嵌入的框架，以及基于海马新皮质记忆巩固建模的五阶段生命周期。检索管道用混合了语义相关性、时间有效性、实时置信度和图关系重要性的四信号评分取代了纯粹的余弦相似度。后台整合代理检测矛盾，构建依赖边，并沿着这些边将更新作为图神经网络样式的消息传播。置信度由封闭式函数控制，该封闭式函数结合了艾宾浩斯式指数衰减、用户反馈重新整合和对数访问强化。我们形式化模型，将其与时间知识图嵌入、Agent记忆架构和不确定性感知 RAG 联系起来，并提出参考实现。在 258 个向量和 138 个查询的可复现的合成版本策略基准上，SmartVector 比普通余弦 RAG 大致提高了一倍的 top-1 精度（62.0% vs. 保留分割的 31.0%），将过时答案率从 35.0% 降低到 13.3%，将预期校准误差减少近 2 倍（0.244 vs. 0.470），减少每个单词编辑的重新嵌入成本降低了 77%，并且在矛盾注入率从 0% 到 75% 的范围内保持稳健。