2160篇笔记躺在同一个库里。改造做完，正文一个字没动，它自己分出了918个知识原子、829篇文章、99条来源、141篇工作日志，还有50张索引页。没被认出来的，剩62篇。
多出来的还有4014条语义关系。
这些关系不是新写的，是从库里原本就散着的5786条双链里理出来的。
知识库最常见的毛病，是存得下、串不起来。找得到某一篇，找不到跟它同族的那几篇。
一个做研究的研究员，把自己半年的论文、随手记的笔记和抓来的来源页搬进同一个库。改造之后他查一个概念，回来的除了那篇论文，还有它身上衍出的原子，以及它引用过的来源。
一个学生把四年的课程笔记堆进来。
他搜一次考点，库连带给出同一主题的原子页和那篇总结文章，一次拿走。他不用记得自己写过什么，库记得。
变化落在具体的人身上，才看得出分量。这次改造只干一件事，给库补一副骨架，让机器知道谁是谁。
改动之前，库里其实已经攒了不少结构。2157篇笔记带字段，1162篇写了类型，892篇带知识原子编号，双链有5786条。
难处在于这些结构全是散的。双链只说这两篇提到过对方，不说是什么关系。类型字段各写各的，没有统一的类可以查。
他写下一篇文章的时候，顺手写下的那两条双链，就是这次关系边的原料。当时那只是习惯，没人当它是数据。
检索那一侧只有三样东西在干活，字面匹配、向量相似，再加一个把两边结果合起来的排序。
三样东西都只看像不像，不看是什么。搜一句本体建模，它能还回一篇标题里带本体的文章，却不知道库里还有同一族的调研、原子和方案。
库里其实早立过一副骨架。九月九日留下它的那个人，当时把类、允许的关系、取值范围都写进了一个文件，格式跟共享内核对得上，载入也通过。
他停在了纸面上。文件里没有一条实例，也没有一条关系边。
没有任何程序去读它，它没接进检索，连一次自动校验都没跑过。骨架立在那儿，谁都看得见，谁也用不上。
这就是改造要补的那一刀。
骨架有了，剩下的活是让数据自己走进去。
PART 01
什么是本体
先把本体这个词说清楚。它容易玄乎化，在这个库里其实只有四样东西，一样都不玄。
类是笔记的身份，说得出一篇东西到底算哪种。属性是这类东西身上该有的槽位，比如归档在哪儿、什么时候定的。
谓词是两类东西之间允许存在的关系，比如产出、衍生自、引用、替代。类对是把谓词落到具体的两个类之间，规定谁能对谁说这话。
四样定完，剩下的事交给数据。库里每一篇已经有路径、类型、标签、双链、字段，机器只读这些现成的痕迹，推它是哪一类，再推它跟谁有关系。
PART 02
现有方案的差异
这套思路在国际上不算新。微软的GraphRAG给私有语料建一张知识图谱，配上社区摘要，去回答需要通读全局的问题。
HippoRAG把知识图谱和个性化PageRank放在一起，一步完成多跳检索。作者在NeurIPS 2024上讲过，这套东西模仿的是大脑皮层与海马的分工。
Zep用一张带时间的知识图谱做智能体的长期记忆，在LongMemEval这类基准上验证过。
它们的共同动作都是给语料接一张图。
差别在图的边从哪儿来。
那几套让模型从文本里抽实体与关系，抽得动，也抽得起。这个库选的是另一条路，边从库里已有的双链和目录归属里推，一条都不需要模型去猜。
省下来的是一道核证据的工序。模型抽出来的关系，后面还得有人拿证据去核；从已有痕迹推出来的关系，出处本来就是笔记自己写下的。
PART 03
认类的规则与踩坑
认类这一步，判据只有三条，按优先级往下走。
优先级一：识别码
先看识别码。笔记身上带知识原子编号的，或者归档在概念、实体目录下的，直接判为知识原子。这一类不靠猜，编号就是它的身份。
优先级二：路径与类型
再看路径与类型。路径里带公众号文章字样的，或者字段里写着公众号文的，判为文章。这一条一开始踩过坑。
坑在关键词。最初把路径里出现工具两个字的那篇判成工具类，结果一篇叫AI编程工具的文章被划走了。
关键词太松，它会抢在前头把话说完。改法是让路径前缀先判，关键词退到兜底的位置。改完这一类不再出错。
优先级三：特殊处理聚合页
第三个坑更隐蔽，出在聚合页上。库里有一批索引页，把一个主题下的成员列成一页，光是一张主题索引就写了八百多个成员。
原先它们被判成工作日志，它们指向成员的那些链接，被当成日志衍生自成员。
方向是错的。日志不会衍生出自己列出来的东西，索引页也不是知识本身，它只是一个视图。
这一类被单独拎出来，定成索引页，配一条自己的谓词，叫列出。改完，这批边才站得住。
有人把索引页当成知识本身，他看了一堆目录，以为自己读完了这个主题。这是同一件事的另一种踩法。
PART 04
改造前后的数据变化
数字上的变化很直白。
改造前，来源、日志、报告这三个目录在骨架里没有位置，那里面五百五十条双链，一条边都连不出来。
给它们补上类之后，边从370条涨到4014条。没被认出来的笔记，从351篇降到62篇。
认类覆盖率从五成四上到九成七。新增的类一共三个，来源、工作日志、索引页；谓词加了一个，列出；类对加了五条。
改造前后的关键参数摆在一起，是这样一组数。
参数
改造前
改造后
本体实例
0
2160
关系边
0
4014
具体类
6
9
类对
21
26
谓词
4
5
认类覆盖率
五成四
九成七
能连边的双链
0
3466，其余因类对未声明，有意不建
新增依赖
无
正文改动
无
2160篇笔记这次各自有了身份，分布是这样的：
知识原子918、文章829、工作日志141、来源99、项目57、索引页50、研究2、决策1、工具1、未归类62。
4014条边里，九成是罗列，真正表达内容关系的是370条：
列出3641、引用213、衍生自155、替代2。
罗列那两个数字来自索引页与工作日志，分开记，才不会被一个总数唬住。
写法上有一处值得单独说。索引页可以列出任何一种知识节点，要是把这条关系逐个类写一遍，得写上十几条。
这回第一次用范围基类的写法，把关系的另一头写成基类知识节点，生成的时候自动展开到所有具体类。两条类对，覆盖十几个组合。
PART 05
改造后的检索优化
这些边接进检索以后，第一个动作是扩一跳。检索还回前三条之后，剩下的位置从前三条的邻居里挑。
挑的顺序有讲究。语义关系排在前面，索引与日志这类罗列关系排在末尾。
原先没排序，工程师查一个项目名，第四条补进来的是行业主题索引页，那份东西只是目录，当结果读没有用。
第二个要防的错，是补不满。邻居不够时，结果会从五条缩到三条。这不是扩充，是丢结果。改法是补不满就回填原结果，条数不因为开了这个开关而变少。
维护检索的工程师拿到的是一条开关，加一个环境变量就关掉。他不用打开任何一篇笔记，也不用重写生成器，重建旁挂文件这一步交给每小时的任务。
PART 06
实测结果
参数上的对比要两组一起看，样本是100篇笔记，每种模式各跑200次查询。
命中率（能否找回目标笔记）
检索方式
第一名命中率
前三名命中率
前五名命中率
平均倒数排名
纯语义
80.5%
88.5%
89.5%
0.846
纯字面
79.0%
80.0%
80.0%
0.795
混合
93.0%
94.5%
94.5%
0.937
召回率（能否连带找回同族内容）
指标
邻接扩跳关闭
邻接扩跳开启
邻接召回率
84.0%
100.0%
平均命中邻居数
0.95
1.82
自身仍在结果内
97.0%
97.0%
尾部结果让位数
无
开启后188条，约每次1.88条
命中率那张有一个必须点破的地方。扩一跳开着和关着，它的数字一位小数都没变。
不是扩一跳没起作用，是这张表看不见它。混合检索在前三名上的命中率本来就到了九成四，要找回的那一篇几乎总在前三名里。
扩一跳动的是第四第五位，关掉的时候那里本来就没有命中。指标选错，改造看起来就没有效果，这是这次改造里最值钱的一条经验。
两张表摆在一起，分野就清楚了。
命中率量的是那一篇有没有被准确找到。
召回率量的是该一起回来的同族有没有被带回来，两者在这次改造里的表现完全不同。
换一张表量它真正改的东西，召回率就动了。搜到一篇之后，把它的同族一起带回来的比例，从八成四上到百分之百。
边越多，直检本身就越容易碰到邻居，扩一跳能补的份额越少，可增益一直是正的。同口径再测一遍早期图谱，能看清这条线怎么走。
图谱只有370条边的时候，邻接召回率从58.0%上到99.0%；图谱扩到4014条边，从84.0%上到100.0%。
代价也摆在这里。每次查询平均有一条多的尾部结果被邻居顶掉，换来的是同一族的东西能被一次带回来。
上面这些数字全部来自当日的实测脚本，生成器连跑两遍，产物逐字节一致。外部那三处只做定性提及，没有转引它们的具体数值。
PART 07
改造的核心结论
社区里有篇文章说，图谱好看不等于知识库有用。这句话是对的，因为一张图好不好看，跟它有没有接进检索，本来是两件事。
图摆在那儿没人读，它就只是海报。这次改造里真正产生作用的是接线那一步，骨架只有被检索读到了，才从装饰变成机制。
还有一层意义值得说清。本体不改笔记，它先定下类与关系的边界，再让数据自己去填。
这个顺序不能反。先有类，机器才知道该认什么，才知道哪些关系允许存在，才算得出哪些边是站得住的。
反过来，先让模型随便抽关系，图会很快变大，也会很快变脏。脏的图比没图更难用，因为它看起来什么都有。
PART 08
改造保留的边界
改造留了几条边界，值得一起记住。旁挂文件是快照，新笔记进库之后要重建一次才跟得上，重建已经挂在每小时的任务上。
62篇没被归类的笔记，是运行的说明、脚本记录和杂项，库里没有合适的类，就没硬塞进去。类怎么定是设计决定，不该为了覆盖率好看去凑。
还有一条纪律。边只允许走事先声明过的类对。
类对里没有的组合，宁可少一条边，也不往图里塞一个假词。
还必须说清一处没测到的地方。连带召回这一项测出了提升，找回自己那一项没有变化；要量得更细，得另建带人工判断的评测集。嵌入模型沿用现有的本地模型，没有更换，改造没有触碰向量这一侧。
PART 09
值得记一笔的价值
读到这里你可能会问，那这套东西到底能带来什么。
答案不在图有多漂亮。
研究员查一个概念，一次拿到论文、原子和来源三条线，学生搜一次考点，一次拿走笔记和总结。维护的工程师不用碰任何一篇笔记，只拿一条命令就能重建旁挂文件。
库替他们做的，是记住谁是谁。这件事人在写的时候可能不觉得，但等到库里文章攒到几千篇，就会发现少了它有多难查。