从 5 级 RAG 到知识图谱：MindCard 的 AI 知识管理架构

引言

大多数 AI 知识管理工具还停留在"问答+引用"的阶段——用户提问，AI 从文档中检索相关内容，生成回答。但这种模式有一个根本问题：AI 不理解知识之间的关系。

MindCard 的设计目标是让 AI 不仅能检索知识，还能理解知识的结构、发现知识的关联、维护知识的演化。这篇文章将深入解析 MindCard 的核心技术架构。

1. 5 级自适应 RAG 检索

传统的 RAG 系统通常只有单一的检索策略：向量相似度搜索。但不同的查询需要不同的检索深度——问"今天天气怎么样"不需要遍历知识图谱，而问"我的研究方向有哪些潜在的跨学科联系"则需要全局分析。

MindCard 实现了 5 级自适应检索：

L0 CHAT    → 纯 LLM 对话，无检索（日常闲聊）
L1 SEARCH  → BGE-M3 向量 + PostgreSQL 全文 + RRF 融合（知识查询）
L2 EXPLORE → 图增强检索：实体匹配 → 1/2 跳遍历 → 卡片评分（深度探索）
L3 CONTEXT → EXPLORE + 拓扑路径上下文注入（上下文感知）
L4 INSIGHT → Map-Reduce 社区报告综合（全局问题）

1.1 混合检索：向量 + 全文 + RRF 融合

L1 级别的检索不是简单的向量搜索，而是三路召回：

为什么需要 RRF（Reciprocal Rank Fusion）？

向量搜索擅长语义匹配（"机器学习"能找到"ML"），但可能漏掉精确关键词。全文搜索擅长精确匹配，但不理解同义词。RRF 融合两者的排名，k=60 是经验最优值。

1.2 图增强检索：从实体到图遍历

L2 级别的检索引入了知识图谱：

用户查询 → 实体提取 → 图中匹配实体 → 1/2 跳邻域遍历
    → 遍历路径上的卡片评分 → 返回 Top-K 卡片 + 推理路径

关键创新：推理路径展示。AI 回答时不仅给出答案，还展示它是如何通过图谱找到答案的——这对于学术研究和知识探索至关重要。

1.3 Token 预算分配器

RAG 系统的一个常见问题是上下文窗口溢出。MindCard 实现了 100K token 的全局预算分配器：

query_instructions  → 10%（硬保留，永不截断）
current_dialog      → 30%（当前对话历史）
retrieved_cards     → 25%（弹性桶，吸收剩余预算）
graph_paths         → 15%（图遍历路径）
memory              → 10%（工作区记忆）
branch_insights     → 5%（跨分支洞察）
topology            → 5%（拓扑路径）

retrieved_cards 是弹性桶——如果其他桶没用完，剩余预算会自动分配给检索到的卡片，最大化信息密度。

2. 自进化知识图谱

MindCard 的知识图谱不是手动构建的，而是自动从卡片内容中抽取、链接、聚类。

2.1 三元组抽取（带 Gleaning）

卡片创建时，LLM 自动抽取实体和关系：

Gleaning 是关键：单轮抽取可能遗漏重要实体，多轮抽取显著提高召回率。

2.2 三层实体链接

抽取的实体可能有重复（"机器学习"和"ML"是同一个概念）。MindCard 使用三层去重：

第 1 层：精确匹配（name normalization，小写+去空格）
    ↓ 未匹配
第 2 层：嵌入相似度（BGE-M3，阈值 0.85）
    ↓ 未匹配
第 3 层：LLM 共指消解（阈值 0.70-0.85）

2.3 Leiden 社区检测

使用 python-igraph + leidenalg 对知识图谱进行社区检测：

Leiden 算法比 Louvain 更快且保证连通性，适合大规模知识图谱。

3. 对话分支系统（Graph-of-Thought）

传统 AI 对话是线性的——一个问题接一个回答。但深度思考往往是分支式的：一个想法可能引发多个方向的探索。

3.1 分支 Profile

MindCard 支持 4 种分支模式：

Profile	策略	适用场景
deep_dive	压缩父上下文	深入研究某个子问题
explore	压缩父上下文	发散性头脑风暴
summarize	继承父上下文	回顾和总结
challenge	压缩父上下文	质疑和批判性分析

3.2 SplitGuard 速率限制

自动分支可能导致无限分裂。SplitGuard 通过 3 个条件限制分支速率：

3.3 跨分支洞察传递

分支之间不是孤立的。MindCard 实现了自动的跨分支洞察传递：

分支 A 产生新洞察
    → NodeRef 语义边（related/contradicts/extends）
    → 自动注入到兄弟分支的上下文
    → 兄弟分支的 AI 回答能感知到其他分支的发现

4. AI 自主记忆系统

MindCard 的记忆系统不是简单的键值存储，而是让 LLM 自主管理持久记忆。

4.1 memory_edit 工具

LLM 在对话过程中可以调用 memory_edit 工具：

4.2 指数衰减机制

记忆不是永久有效的。MindCard 使用指数衰减：

decayed_importance = base_importance × exp(-days_unused / 30)

• 半衰期 30 天：如果 30 天没被访问，重要性减半
• 归档阈值：decayed < 0.1 且 age > 90 天 → 自动归档
• 归档的记忆不参与 RAG 注入，但可手动恢复

5. 多模型架构（Factory + Registry）

MindCard 支持 6 个 AI Provider，使用 Factory + Registry 模式：

为什么用 raw httpx 而不是 SDK？

1. 减少依赖，降低冲突风险
2. 更好的错误控制和重试逻辑
3. 所有 Provider 统一接口，SDK 差异被屏蔽

总结

MindCard 的核心理念是：知识管理不只是存储，而是理解。通过 5 级 RAG 让 AI 根据查询复杂度自适应检索深度，通过知识图谱让 AI 理解知识间的关联，通过对话分支让深度思考成为可能，通过自主记忆让 AI 真正"记住"你的知识。

技术栈：FastAPI + PostgreSQL + pgvector + BGE-M3 + D3.js + Next.js

项目地址：https://github.com/wanxiayushaonian/mindcard 在线体验：http://mindcard.online