m_flow：一种使用路径成本评分进行认知式记忆检索的图路由 RAG 系统

它解决的问题

传统的 RAG 系统通常依赖于简单的向量相似度，这种方式可以找到语义上接近但在上下文中无关的关键词。M-flow 通过将检索视为推理和关联问题，而不仅仅是邻近匹配，从而确保检索到的信息通过连贯的证据链相互关联。

工作原理

M-flow 将知识组织为四层层次结构的 "Cone Graph"：

• Episode：受限的语义焦点，如事件或决策。
• Facet：Episode 的主题横截面。
• FacetPoint：原子断言或事实。
• Entity：跨 Episode 关联的具名对象（人物、工具、指标）。

系统不再仅仅匹配向量，而是将图用作评分引擎。查询通过向量搜索找到入口点（锚点），随后系统沿语义加权的边传播证据。最终结果是一个 "Episode bundle"，其评分基于将查询与信息连接起来的最强、最低成本的推理路径。

适用人群

• AI Agent Developers：构建需要持久、长期情节记忆和过程记忆的代理。
• Enterprise Knowledge Management：需要解决复杂依赖和共指（例如，知道 “她” 指代 “Maria”）以在长对话中保持上下文的系统。
• Developers building multi-user systems：利用面部感知的记忆分区，通过生物特征身份隔离用户数据。

亮点

• Graph-led retrieval：在结构化图上使用路径成本优化，而非平面相似度排序。
• Coreference resolution：在摄取阶段将代词解析为具体实体，以防止检索空缺。
• Multi-granularity support：允许查询在任意层级（Entity、Facet 或 Episode）进入并在层次结构中导航。
• Procedural memory：捕获抽象模式、工作流和决策规则，以实现可复用的知识。
• Extensive integration：支持 50 多种文件格式以及包括 Neo4j、LanceDB 和 PostgreSQL 在内的多种数据库。