m_flow：使用路徑成本評分的圖形導向 RAG 系統，實現認知式記憶檢索

它解決的問題

傳統 RAG 系統常依賴簡單的向量相似度，雖能找出語義上接近的關鍵字，卻可能在語境上不相關。M-flow 透過將檢索視為推理與關聯問題，而非僅僅是接近度匹配，確保取得的資訊透過連貫的證據鏈相互連結。

工作原理

M-flow 將知識組織成四層階層式的「Cone Graph」：

• Episode：受限的語義焦點，如事件或決策。
• Facet：Episode 的主題切面。
• FacetPoint：原子斷言或事實。
• Entity：具名對象（人物、工具、指標），跨 Episode 連結。

系統不僅僅匹配向量，而是將圖形作為評分引擎。查詢透過向量搜尋找到入口點（錨點），然後系統沿語義加權的邊傳播證據。最終結果是一個「Episode bundle」，其分數由連結查詢與資訊的最強、最低成本推理路徑決定。

目標對象

• AI Agent Developers：構建需要持久、長期情節式與程序式記憶的代理。
• Enterprise Knowledge Management：需要解決複雜依賴與指代（例如，知道「她」指的是「Maria」）以在長對話中保持上下文的系統。
• Developers building multi-user systems：利用面部感知的記憶分區，透過生物識別身份將使用者資料隔離。

重點特色

• Graph-led retrieval：使用路徑成本優化於結構化圖形，而非平面相似度排名。
• Coreference resolution：在資料攝取時將代名詞解析為具體實體，以防止檢索缺口。
• Multi-granularity support：允許查詢在任意層級（Entity、Facet 或 Episode）進入並導航階層。
• Procedural memory：捕捉抽象模式、工作流程與決策規則，以供重複使用的知識。
• Extensive integration：支援 50 多種檔案格式及多種資料庫，包括 Neo4j、LanceDB 與 PostgreSQL。