检索（下）：图谱与矛盾探针

第 4 课讲混合检索（关键词 + 向量）。本课讲 gbrain 检索的两个「增值层」：知识图谱和矛盾探针。但我不想按「gbrain 有什么函数」来讲——那样你读完还是不知道自己该怎么用、以及造自己的工具时该抄什么。所以本课始终从两个立场讲：你作为用户要做什么、gbrain 自动替你做什么；以及作为架构师，这些设计背后的决策是什么、为什么值得抄。

一、图谱：你写链接，gbrain 自动织网

你作为用户只需要做一件事：写笔记时，用 markdown 链接把相关笔记连起来。gbrain 认两种写法：

[特斯拉](companies/tesla)        # 标准 markdown 链接，指向另一篇笔记的路径
[[苹果公司]]                     # Obsidian 风格双括号，指向同名笔记

gbrain 自动替你做的事：它扫描你所有笔记，把「A 提到 B」织成一张网（A→B 一条边）。你完全无感——不用建图、不用标注、不花一分钱 LLM 成本。它用的是确定性正则（extractEntityRefs）扫你写下的链接语法，连代码块里的内容都自动排除（不会把代码示例当链接）¹。

为什么这么设计（架构师视角）：gbrain 完全可以像很多知识工具那样，用 LLM 去「抽取实体、自动建图」。但它刻意不这么做。理由是 LLM 抽实体慢、贵、而且每次结果可能漂移（同一段文字今天抽出一个实体、明天抽不出）。而「用户写链接」是一个免费、稳定、用户已经自愿提供的结构信号——你写 [特斯拉](companies/tesla) 时，网络结构就已经在文字里了，gbrain 只是读出来。可抄点：如果你造自己的工具，优先利用用户已有的书写习惯做结构提取，别急着上 大模型（LLM）；LLM 该用在「用户没提供的信号」上，而不是去重新发现用户已经明写的东西。

图谱给你什么能力：当你检索「特斯拉」，gbrain 不只做关键词/向量匹配，还能顺着网跳到相邻笔记（比如你写特斯拉时链了「电池供应链」那篇，就能把那篇也带出来）。这是普通搜索做不到的「顺藤摸瓜」。图谱是 markdown 之上的派生结构，重建 brain 时随 markdown 一起重生——它永远是「缓存」，不是「事实源」²。

一个必须厘清的概念：链接 ≠ 实体。 你之前纠结过这俩是不是一回事，答案是不是，而且这是造工具时最容易混的两个维度：

• 链接（link）= 你主动写的 [名字](路径)；gbrain 还会读链接周围的动词，把这条边标成带类型的关系（works_at / invested_in / founded / advises / mentions），而非无类型的「页连页」³。
• 实体（entity）= gbrain 用另一套机制（NER）从正文文字里抠出来的真实对象，比如「苹果公司」「马斯克」，标成 person / company 类型；而且高频实体它还会自动建一篇空笔记 + 反向链接（extractEntities → enrichment-service）⁴。 所以：链接是你写的语法，实体是 gbrain 从正文识别的对象。两套结构、两个维度。你做工具时若把二者混为一谈，图谱和实体索引会互相污染。

二、矛盾探针：gbrain 帮你揪出前后打架的观点

你作为用户遇到的真实痛点：投资笔记里常有前后冲突的观点——1 月写「Q1 看空特斯拉」，9 月写「Q3 看多特斯拉」。普通搜索你一检索，两篇都蹦出来，得自己在脑子里判断「哪个还作数」。gbrain 的矛盾探针专干这事：它找出你知识里「检索时会被一起召回、但观点可能打架」的配对，让 LLM 判断是不是冲突，把可疑的标出来给你复核。

命令是你主动跑的：

gbrain eval suspected-contradictions --query "特斯拉" --top-k 5   # 针对某个主题跑一轮
gbrain eval suspected-contradictions trend --days 30              # 看 30 天趋势
gbrain eval suspected-contradictions review                       # 交互式逐条复核最近一轮发现

gbrain 不替你自动跑——这是关键，也是我之前讲错的。全仓搜不到任何 定时任务（cron） / scheduler 调它；它是纯手动命令，或你的 agent 经 MCP 接口协议（让 agent 连上 brain 的标准协议）（find_contradictions）按需调用。而且 gbrain doctor（健康体检）会提醒你「你 7 天没跑探针了，去跑一下」——这反证它不是后台自动的⁵。为什么 gbrain 不默认自动跑（架构师视角）：探针要烧 LLM 钱（judge 判每对配对）。如果默认自动、无端天天跑，你的 向量化（embedding）/LLM 账单会悄悄膨胀。gbrain 把控制权留给你——你决定什么时候跑、跑哪些主题、花多少预算（--budget-usd 封顶）。它只提供「让你能挂自动」的钩子（比如 cron 每天跑 gbrain dream 那种方式），但绝不偷偷自己跑。

探针怎么标、标出来你在哪能看到：

• 命令行直接打印：哪些页 HIGH 级冲突、冲突维度、给一条 resolution_command 修复命令。
• review 子命令：交互式看最近一轮发现，逐条复核。
• gbrain doctor 面板：把最近一次跑批结果读出来，HIGH 冲突直接列在体检报告里[^contra-体检命令（doctor）]。
• 你的 agent（MCP find_contradictions）：对话中随时能查「我 brain 里关于特斯拉有什么矛盾」。

为什么这么设计（架构师视角，几个值得抄的决策）：

1. 采样检索配对，而非全量两两比对。N 篇笔记两两比对是 N² 爆炸。gbrain 的做法是：先跑 hybridSearch，对「会被一起召回」的配对才送 LLM 判——把成本压到可承受⁶。可抄点：做质量自检别全量跑，借检索的「什么会被一起召回」来定位可疑对，成本随检索规模线性增长而非平方增长。

2. date pre-filter：>30 天不算矛盾。两篇都带明确日期、且相差 >30 天，探针默认跳过——它假定「1 月看空、9 月看多」大概率是观点随时间正常演化，不是真打架。但这个规则有精妙的保护：任一方缺日期不跳（让 judge 决定）；同一段话里先说看空再说看多（flip-flop）也不跳——这种才是真问题，照样标⁷。可抄点：时间维度是矛盾判定的关键上下文，别把「时间演进」误判成「bug」；但同一时空内的自我打脸必须抓得住。

3. 判定分细类，不是二元。verdict 不是简单「矛盾/不矛盾」，而是：contradiction（同时点的真冲突）/ temporal_supersession（新观点取代旧观点，不是错误）/ temporal_regression（指标倒退）/ temporal_evolution（合理演进）/ negation_artifact（judge 误读否定词）/ no_contradiction。你一眼能分清哪是真问题、哪只是时间推移[^contra-判定结论（verdict）]。

4. 持久缓存 + prompt_version 版本化。每对配对的 judge 结论存进缓存表，key 含 chunk hash + model_id + prompt_version + truncation_policy——判定逻辑（prompt）一变就自动 miss、重判，保证「当时为什么这么判」可追溯到具体版本⁸。可抄点：任何 LLM 评判都要缓存 + 版本化，否则结果不可复现、问题无法追溯。

5. 它只标不改。探针给的是 resolution_command（修复命令），最终判断权和修改权在你——gbrain 不替你删笔记、不替你合并观点⁹。这是「AI 监督者」定位的体现：机器负责发现，人负责决断。

三、eval run-all 与 compare：检索质量可量化

检索本身也有量化闭环：gbrain eval run-all 跑全套评测，gbrain eval compare 对比两次运行（baseline vs 当前策略）¹⁰。这让「我改了检索逻辑到底变好还是变坏」可测量，而非凭感觉——架构师视角：任何检索/排序改动都应配可回归的评测，否则你永远不知道一次「优化」是真优化还是把某些查询搞坏了。

四、能力边界（监督者须知）

• 矛盾探针不自动跑：要你手动触发或自己挂 cron；不挂就永远不跑，doctor 只会提醒你。
• 图谱零成本自动织：只要你用链接语法写，gbrain 无感建图；你不写链接，就没有图可跳。
• 实体（NER）和链接是两回事：实体是正文识别的对象，链接是你写的、带类型的边；造工具时别混。
• 探针标的是「可疑」不是「定论」：给修复命令，不自动改；最终判断权在你。
• 成本是你可控的：--budget-usd 封顶，不跑则不花钱；gbrain 不会无端烧钱。

练习题

参考出处