Grokers：类型化知识图谱上的自底向上归纳理解与写入时智能

我们提出了 Grokers，一种通过自下而上的依赖子图归纳遍历来构建类型化知识图的持久、结构化理解的架构。与每次查询都支付全部理解成本的检索增强生成 (RAG) 不同，Grokers 将智能推向写入时间：自治 Groker 代理分析类型化流图中的节点，通过受控语言模型 (LM) 调用提取结构化属性，并通过依赖关系归纳向上构建理解，编写丰富的类型化属性，以零额外 LM 成本为所有未来查询提供服务。我们证明了三个形式属性：(1) 字节同一性定理，确定从事务维护的非规范化索引组装的上下文块在语义变化之间的 LM 轮次中是字节相同的，从而使 KV 缓存命中率接近 100%； (2) 累积单调性定理，确定在受控智慧库增长协议下，无需 LM 调用即可解决的交互部分在已完成交互的数量中不会减少； (3) 双遍历排序定理，确定自上而下的生成和自下而上的理解是它们各自任务在依赖 DAG 上唯一正确的遍历顺序，并且它们的组合形成一个完整的生成-理解循环。我们进一步提出了基于嵌入的语义搜索的确定性替代方案，使用同义词缓存协议，其 LM 回退率对于有限词汇域收敛到零。开源 Qbix / Safebox / Safebots 堆栈中提供了参考实现。