关于 Cairn 和 ARTEX 的一些分析

基于对这两个项目的梳理,我将 ARTEX 理解为面向渗透测试的、由图支撑的目标导向探索系统,而 Cairn 则将目标导向的问题求解组织为未知状态空间中的探索过程。二者都采用围绕共享图展开的“Fact → Intent → Fact”循环,因而在协作与探索机制上具有相似性。基于这一点,我产生了一个问题:能否进一步简化这套机制,或者提高它的执行效率?于是,我借助 AI 检索资料,从几个不同层面展开分析。

为了讨论这些可能的改造方向,我先从行动选择、状态表示和数据管理三个层面分析这套机制。这里的划分是本文采用的分析视角,并非项目源码的实际模块分层。

Cairn 与 ARTEX 的共享探索机制对比


从行动选择的角度看,可以借鉴搜索算法中“选择候选 → 扩展 → 评估”的循环,将部分候选排序与前瞻逻辑交给搜索算法,LLM 则负责候选生成、状态解释或启发式评估。不过,在引入算法之前,仍需明确搜索节点、行动、成本和目标判定分别对应什么。

在此基础上,ARTEX 进一步区分资产信息与探索过程:资产图管理已知资产及其关系,探索图记录目标、意图、事实和发现之间的关联。这有助于分离领域信息与探索记录,但资产图并非完整世界状态,探索图本身也不等于搜索策略。

  • A* / 最佳优先搜索:一种可能的改造方式,是将候选行动序列组织为搜索树,以各个计划前缀作为搜索节点。对于节点 (n),(g(n)) 表示该计划前缀的累计成本,(h(n)) 则由 LLM 辅助估计,表示从该节点继续推进到目标所需的剩余成本。搜索算法按照 (f(n)=g(n)+h(n)) 对待扩展节点排序,据此选择值得进一步探索的计划;Worker 执行其中选定的 Intent,将结果作为新 Fact 写回,再据此更新后续规划。这种方式也可以结合并发执行,但需要协调候选行动之间的依赖与冲突。已有工作如 ToolChain* 将 A* 用于 LLM 的工具调用规划;LLM-A* 则结合 LLM 的全局指导与 A* 的路径规划能力。二者提供了组合 LLM 与经典搜索的参考,但应用对象和启发方式并不相同。
  • MCTS(蒙特卡洛树搜索):如果 LLM 不仅能为单个 Intent 打分,还能进行轻量级的“推演”(rollout),在能够获得可采样的行动结果模型下,MCTS 可以在有限计算预算内,通过模拟比较候选行动的长期价值。但它是否优于 A*,仍取决于分支规模、模拟质量、奖励设计和预算。奖励稀疏本身也是 MCTS 面临的困难。已有研究提出将 LLM 用作动作先验、将 MCTS 用作基于模拟的候选评估机制。不过,这种评估依赖模拟模型,并不等于对真实环境中的行动效果完成验证。

在模型和预算允许的条件下,这些方法有望减少对低价值路径的探索,通过前瞻寻找代价更低的可行方案。但它们依赖状态表示、候选行动、成本估计或模拟模型;模型出错时,更深的搜索未必带来更好的结果,反而可能造成额外的资源浪费。

A* 与 MCTS 参与行动选择的流程


从状态表示的角度看,真实渗透测试环境不仅可能变化,测试者通常也只能获得关于环境的局部观测,行动结果还可能存在不确定性。POMDP 为这种部分可观测条件下的序贯决策提供了一种标准建模框架。

Intentest 的研究采用 POMDP 语言描述渗透测试,并使用持久化 Fact–Intent DAG 外化相关状态信息。不过,观测历史并不等于严格意义上的信念状态,后者通常表示给定行动与观测历史后,对隐藏状态的概率分布。Intent 也不必等同于单次工具动作,论文区分了探索意图与具体 Action。用 POMDP 建模时,需要根据任务定义奖励与成本,再选择使预期累计回报更高的策略;成功概率和信息价值可以参与目标设计,但不是 POMDP 自动规定的唯一目标。在此基础上,还可以考虑让 LLM 生成高层候选计划,再由规划或学习算法评估具体行动,最后交给执行系统落实。

这一建模方式的潜在收益是:如果进一步定义信念表示、更新规则和决策目标,就可以为“Fact → Intent → Fact”循环赋予明确的“信念更新 + 行动选择”语义。在建立相应模型后,可以尝试引入 POMCP、DESPOT 等规划算法,承担部分行动选择职责,并根据奖励设计权衡探索与利用。Worker 的分配、租约、心跳、超时和并发管理仍由执行系统处理。其代价在于建模困难,以及信念更新和规划带来的额外计算开销。

POMDP 视角下的信念更新与行动反馈闭环


再看数据管理层面,Cairn 已通过共享图实现间接协作,并采用 Fact 只增不改的记录方式。这为保留探索历史提供了基础,也使事件溯源成为一个可以考虑的改造方向,但共享黑板和追加式 Fact 并不直接等于事件溯源。

当前 Intent 是具有生命周期的协议对象,其认领者、心跳时间和结论等字段会被更新。若进一步采用事件溯源,应将“意图已声明”“意图已认领”“探索已结束”等变化记录为不可变事件,再由事件重建当前状态。CQRS(命令查询职责分离)则可以进一步区分写入模型与面向不同消费者的读取视图,例如为规划者维护待探索方向视图,为审计者维护探索依赖与执行历史视图。

这篇文章讨论了一种工程组织方式,围绕黑板分别管理三个方面:事件流(可重放的事实发布)、状态视图(当前系统认为的最新事实)、以及冲突消解规则。这种组织方式有利于分别管理历史记录、当前视图和冲突处理,并通过增量更新减少部分重复计算。但它并不天然比共享黑板更简单:事件版本、重放、幂等和并发一致性都需要额外设计,也不会直接带来更强的推理能力。

事件溯源与 CQRS 的写入、重放和读取视图


最后从原语设计入手,考虑能否压缩 Fact、Intent、Hint 三类顶层概念。《黑板之外——走向更开放的 AI 渗透架构设计》回顾了一种早期设计 IntentLogic,其核心表述集中于 State 和 Intent:

  • State:事实的集合,是对世界当前状态的快照(目标本身也是一个 State)。
  • Intent:施加在 State 上的力,语义是 ( \nabla : \phi \to \phi’ )。已满足就跳过,缺什么就补什么。

根据这个思路,核心循环可以概括为以下两行伪代码:

1
2
while (goal - state).facts:
state = intent(state)

这只是概念性概括,并非完整执行流程;来源文章也说明,该早期设计尚未形成完备的意图形式逻辑体系。

在这种表述中,“黑板”被表示为自然语言事实的集合,不再要求以显式图结构呈现。Fact 被组织进 State,Intent 则表示作用于状态的操作。这样,探索过程可以概括为“识别当前状态与目标的差距,再通过行动更新状态”。原文将 Intent 比喻为作用于状态的“力”,这里可以将其理解为推动状态变化的操作,而不是具有严格物理含义的量。

据《黑板之外——走向更开放的 AI 渗透架构设计》“黑板架构”一节介绍,Cairn_Y 的 FGS(Fact–Goal–Step)图提供了另一种相关的组织方式:Fact 记录已确认的事实,Goal 定义完成条件,Step 描述从已有事实推进探索、产生新事实的过程;Decide 与 Execute 分别负责决策和执行,不依赖各自的跨会话记忆,而通过 FGS 图共享外部记忆。它仍然保留显式图结构,因此在我的比较中,更适合作为“如何组织状态与行动”的另一种方案,而不是去除图结构的例子。

这条路径的取舍:State–Intent 抽象减少了顶层概念,将接口集中到“状态及作用于状态的操作”上。从这一层面看,它可以被理解为一种由 LLM 参与决策的状态机式表述。不过,不再单独定义 Hint,并不意味着必须放弃人类判断的注入;不以显式图呈现状态,也不意味着必然失去审计能力。这些能力仍可通过输入接口、操作日志和依赖记录保留。因此,这种抽象有可能简化协议,但能否降低集成成本和实现复杂度,仍取决于状态更新、失败处理及历史追溯等机制如何设计。原语数量减少,并不等于系统复杂度同步降低。

Fact–Intent–Hint 与 State–Intent 原语设计对比


小结

改造方向 主要调整 潜在收益 条件与代价
A* / MCTS 引入行动选择 候选探索方向的排序与前瞻 在一定预算下减少低价值探索 需要状态、成本或模拟模型;不自动保证最优
POMDP 形式化 不确定性表示与序贯决策 显式处理部分可观测性及信息获取价值 建模与求解成本较高
事件溯源 + CQRS 历史记录与读写模型 支持重放审计和不同读取投影 增加事件版本、幂等、并发及一致性管理成本
State–Intent 二原语 对外概念与交互协议 减少顶层概念,统一部分接口 复杂语义仍需承载;审计与人机输入需另行明确

关于新路线的思考与探索

上述四个方向分别涉及行动选择、状态表示、数据管理和交互原语。它们主要是在现有机制上替换或强化某个组成部分。但进一步思考时,我开始关心另一个问题:除了改造现有机制,能否从任务本身出发,重新组织我们对渗透测试的理解?渗透测试更像是在开放、对抗、信息不完备的世界里,用有限预算做出可辩护的判断和干预,搜索只是其中一种实现。

这里补充一点:我习惯通过拆分问题、聚焦模块和编排流程来解决问题,这也可能使我形成一定的工程思维惯性。因此,我需要在思考过程中批判性地审视自己的方案。我尝试借助第一性原理拆解问题、检查假设,但对于社会技术系统,单靠要素拆分往往不足以解释关系和反馈。例如,“组织信任”不能仅用几个孤立事实来说明,对抗过程也涉及策略交互。因此,我还需要用系统思维和博弈思维补充分析,并结合经验与证据检验拆解后的结论。

说回问题本身,我尝试从熟悉的人类社会活动中寻找共性。但熟悉也可能带来偏向:这种类比可能更符合我的直觉,并不能据此判断它就是最合适的建模方式。

下面列出几种可供对照的范式:

下表只是为寻找共性而作的简化对照,并不意味着这些理论具有相同的目标或数学结构。

范式 核心循环 对渗透测试的映射
科学探究/循证诊断 假设 → 实验 → 证据 → 更新 把探测当作实验,把疑似漏洞作为待验证假设
情报周期 需求 → 收集 → 处理 → 分析 → 分发 → 反馈 把侦察和报告纳入闭环
OODA 决策循环 观察 → 定向 → 决策 → 行动 强调对抗节奏和对手响应
动态博弈 行动 → 观察响应 → 更新判断 → 调整策略 考虑防御方可能的适应,路径选择也可能随之变化
风险管理 识别 → 评估 → 处置 → 监控 将漏洞发现置于风险评估与处置过程中
贝叶斯实验设计 提出问题 → 选择实验 → 获取观测 → 更新判断 根据预期信息价值或决策价值安排测试

观察这些范式,可以注意到一个贯穿其中的要素:信息。

在科学探究中,观察、已有知识和类比可以共同启发假设。研究者据此设计实验,获取新的观测与证据,再检验原有解释、修订假设,并提出下一轮需要验证的问题。在信息管理上,保留原始观测及其来源,同时更新对它们的解释,有助于区分“记录了什么”和“据此相信什么”。

以一次授权对抗演练为例,假设我们根据已有证据估计,一项行动达到预期目标的概率为 80%。但这个数字不足以决定是否行动:还需要评估执行成本、失败后果,以及行动产生的信号被发现、关联和定位的可能性。成功与暴露也可能同时发生,因此需要分析它们的联合结果,而不能只比较单个成功率。这里的数值仅用于说明问题,不代表经过校准的估计。

所以,我们能否把渗透测试的本质抽象为一种信息的获取?

为了避免将不同含义混在一起,我尝试从三个侧面理解信息:

  • 证据与信念:我们观察到了什么,又据此相信什么。
  • 信息的产生与流动:行动如何获取、暴露、阻断或伪造可被其他主体利用的信号。
  • 信息的决策价值:获得某项信息后,是否能作出更好的选择,其收益是否值得获取成本。

Fact–Intent 协议保留了发现与探索的依赖,但没有单独规定如何表示多方信念、信息暴露和信息价值。这些内容是否得到处理,仍取决于上层推理与执行机制。

信息视角提醒我,行动不仅可能改变环境,还会改变参与者能够观察到什么,以及他们如何理解环境。这样的变化并不超出状态空间建模的能力,但要求模型保留更多与决策相关的内容:物理条件、己方信念、对手可能掌握的信息,以及信息随时间变化的适用性。因此,区别并不在于是否使用搜索,而在于状态表示和更新规则是否显式包含这些因素。

据此,我想尝试一种以信息为核心的建模方式:除已确认事实外,还显式记录判断的不确定性,以及行动对环境和参与者认知的影响。这首先是对状态表示和更新规则的扩展;是否进一步引入多方信念与博弈模型,则取决于任务是否需要显式处理对手的策略性响应。

仅给现有节点增加一个“信息量”分数,通常不足以表达上述因素。还需要明确其来源、条件、依赖、接收主体及更新方式。

如果把防御机制视为给定的环境过程,可以考虑用 POMDP 描述不完全信息下的行动选择;如果还要显式考虑对方的目标、私人信息与策略调整,则需要进一步考察 POSG 或交互式 POMDP。信号博弈则适合分析特定的“发出信号—解释信号—作出响应”过程。

这样的建模仍然可以采用搜索。下面比较的是“主要依据已确认事实推进探索”与“显式维护信念及信息影响”两种建模侧重,而不是两类互斥的求解方式:

比较维度 主要依据已确认事实推进探索 显式维护信念与信息影响
当前表示 已有发现及探索依赖 对未知状态的判断,以及必要的来源、时间和对手模型
行动后果 记录行动产出的发现 同时考虑环境变化、观测结果与信念更新
决策依据 当前事实、目标及候选方向 预期收益、成本、风险与信息的决策价值
完成条件 按任务标准判断 同样按任务标准判断;置信度可作为其中一项
求解方式 可采用启发式调度或搜索 可采用规划、搜索、动态规划等方法

如果进一步给出行动结果的条件概率,以及不同结果的收益和损失,就可以将这一过程组织为包含决策节点和机会节点的决策树,并按期望效用评估候选行动。若还需要依据新观测更新对隐藏状态或未知参数的判断,则可以引入贝叶斯推断。

进一步考虑参与者之间的信息交互,还可以关注以下几个方面:

  • 信息欺骗:让对手的信念朝错误方向更新。
  • 信息获取与保护:一方能够观察到哪些信号,另一方又如何管理自身的信息暴露。
  • 信息释放的时机:同一信息在不同时刻释放,价值不同。
  • 信息成本的不对称:一方获取某项信息的代价,与另一方保护该信息的代价可能不同。

在渗透测试与授权对抗演练中,蜜罐、检测机制和防御响应都可能影响观测及判断。如果模型还要分析双方如何根据对方行为调整策略,就需要进一步考虑博弈关系;如果只是评估某种给定防御机制的影响,则未必需要完整的博弈模型。

小结

探索到这里,我更倾向于将信息视为贯穿渗透测试的重要建模要素:系统既要获取和甄别证据,也要根据证据形成可修订的判断,并考虑行动对环境及各方认知的影响。不过,这并不意味着所有行动都以获取更多信息为目的,也不意味着必须放弃搜索。相较于只沿已确认事实推进探索的描述,这一视角要求进一步明确“谁观察到了什么”“判断如何更新”以及“信息怎样影响决策”。POMDP、部分可观测博弈和贝叶斯实验设计分别为其中一些问题提供了工具,但是否需要组合使用,仍取决于任务目标与建模成本。

如何为信息建模

首先需要从信息维度入手。根据我的调查,并参考通过 ChatGPT 辅助检索得到的资料,下面尝试综合元数据、信息质量和信息溯源等研究,整理出一个分析框架。这只是我的归纳,并非对某个既有标准的直接复述。

基本维度 核心问题 典型属性
1. 内容(Content) 信息是什么? 主题、事实、观点、语义、粒度
2. 来源(Source) 信息从哪里来? 原始出处、作者、发布机构、采集方式
3. 时间(Time) 信息在什么时候有效? 产生时间、发布时间、更新时间、有效期
4. 空间(Space) 信息适用于哪里? 地理位置、物理环境、网络空间、适用范围
5. 主体(Entity) 信息涉及谁或什么? 人物、组织、对象、系统、事件
6. 目的(Purpose) 信息为什么产生或被使用? 产生意图、使用目标、预期作用
7. 情境(Context) 信息在什么条件下成立? 前提、环境、约束、适用场景
8. 关系(Relation) 信息与其他信息有什么联系? 引用、依赖、因果、包含、矛盾
9. 表征(Representation) 信息如何被表达? 语言、结构、编码、格式、模态
10. 生命周期(Lifecycle) 信息如何随时间演化? 创建、修改、传播、版本、归档、删除
11. 权限(Rights) 信息能被谁以何种方式使用? 所有权、授权、保密级别、访问控制

这些维度不是严格正交的。例如,生命周期与时间高度关联,主体也可能是来源的一部分。

从这些维度中筛选后,我初步选择了内容、来源、时间、主体、目的、情境和关系几个基本维度。它们在渗透测试场景中的含义如下:

  • 内容:信息所表达的事实、观测、判断或其他语义。
  • 来源:信息来自哪里,由什么工具或过程采集。
  • 时间:信息何时产生、发现或更新,以及在何时有效。
  • 主体:信息涉及哪台主机、哪个站点或哪个 IP。
  • 目的:为什么收集这条信息,以及它可以支持什么任务或判断。
  • 情境:信息在什么条件下有效,又在什么条件下不适用。
  • 关系:信息与其他信息之间存在怎样的引用、依赖、因果或冲突关系。

有了这些维度,我们可以先在数据库中保存信息的基本内容及其描述。但到这里,解决的主要还是“怎样把信息存下来”。接下来我想思考的是:这些信息怎样被组织起来,才能在需要的时候被找到、组合,并进一步支持判断?

我的想法是,可以为信息构建一个抽象空间。每条信息根据不同维度获得一组“坐标”,而当前的问题或任务决定我们需要关注这个空间中的哪些部分。

不过,这里的坐标首先是一种语义描述,并不要求每个维度都像普通坐标轴一样,用连续或离散的数字表示。

语义坐标:描述信息,而不只是给文本编码

例如,一条信息可以被描述为:

关于服务 A;来自本轮测试会话;记录了一次匿名请求返回 401 的观测;适用于当前部署版本;采集目的是验证账户访问策略。

主体、来源、内容、时间、目的和情境,共同描述了这条信息在抽象空间中的位置。其中,有些维度是类别,有些是时间区间,有些是文本或条件集合。它们可以共同参与检索,却不一定共享一个统一的距离函数。

同样,两条信息也可能拥有相同的描述,却记录了不同结果。因此,坐标用于组织信息,信息本身仍需要独立身份。缺失某个维度也应该表示“不知道”,不能直接被解释为“不满足”。

单条信息的语义坐标与独立身份

这一想法与 Gärdenfors 的概念空间研究存在可以比较的地方:该研究尝试通过维度、域及区域组织语义。不过,来源、主体、情境等描述字段不会因为被叫作“维度”,就自动拥有同样的几何结构。这里我暂时把“空间”作为组织与比较信息的一种思考工具,具体怎样定义邻近、距离和区域,还需要进一步明确。Gärdenfors:概念空间的相关论述

在这个模型中,还需要区分原始观测与解释。举个例子,“某次请求返回 401”是一条观测,“该接口的访问控制符合策略”则是一个需要证据支持的判断。二者可以放在同一个信息体系中管理,但不能因为都具有坐标,就被赋予相同的确定性。

区域点亮:没有连边的信息,也可以同时进入视野

假设当前需要回答的问题是:

在当前部署版本下,服务 A 已采样的账户访问行为是否符合访问策略?

数据库中可能存在以下记录:

信息 内容
I₁ 本轮匿名请求得到 401
I₂ 普通账户访问自身资料得到 200
I₃ 当前策略规定匿名用户不可访问,普通账户可以访问自身资料
I₄ 某次请求发生时,会话已经过期
I₅ 上一部署版本的测试记录
I₆ 服务 B 中一条内容相似的响应记录

这些信息在文本表达上并不相似:响应、策略文档、会话状态和历史记录具有不同的表达方式。但在当前问题下,它们可能共同参与判断。

根据我的思考,查询可以像一个具有“体积”的物体,被放入信息空间:它在某些维度上规定范围,在另一些维度上保留开放性,落入范围的信息便被“点亮”。

这里的“点亮”,我想先限定为:进入本轮需要检查的候选信息集合。

因此,即使 I₁ 和 I₂ 尚未建立显式关系,也可以因为同属服务 A、当前版本和账户访问验证场景,而被一起选出。反过来,I₆ 即使与 I₁ 在文本上非常相似,也可能因主体不同而不适用于当前判断。

这意味着,语义相似度可以帮助寻找候选,但任务相关性还需要结合主体、时间和情境判断。这个查询区域也未必是一个球,甚至可能由多个不连续的区域组成。

关联点亮:空间上不相似的信息,也可以相互唤起

除了按描述范围寻找信息,我还希望保留信息之间的显式关联。

这些关联可以表现为 1:1、1:n 或 n:n。例如,一条观测关联一次具体会话;一次采集活动产生多条观测;多份策略、配置和测试记录共同参与多个判断。

因此,两条信息即使在某种相似度尺度上距离很远,只要存在有依据的关系,也可以相互“点亮”。找到一次异常响应后,可以继续找到它所属的会话、适用的策略,以及与该判断冲突的另一条记录。

直觉上,这类似于神经元之间的相互激活。已有的语义记忆研究也讨论过沿语义网络传播的“扩散激活”。不过,在这里,我只借用“找到一个对象后,沿关系唤起其他对象”的组织思路,不将它视为对生物神经过程的复现。Collins 与 Loftus 的扩散激活研究早稿

关联本身还必须说明含义。“来自同一会话”“引用同一来源”“与另一命题矛盾”和“共同支持某个结论”,不能全部被压缩成没有类型的边。

1:1、1:n 和 n:n 说明的是关联数量,不能代替推导规则。

例如,观测与策略必须共同参与,才能判断一次行为是否符合要求。若把它拆成几条独立的“支持边”,就可能让系统误以为每个前提单独足以证明结论。这样的组合更适合通过一个推导记录,把参与的信息、使用的规则和得到的判断连接起来。

同时,“关联点亮”也需要有停止边界。如果找到一个点后无限沿边传播,最终可能把整片连通网络全部激活,失去筛选意义。因此,传播应根据当前问题选择关系类型,并受范围、跳数或预算约束。

最重要的是:被关联唤起的信息,只是值得检查,不代表已经被证实。

面状点亮:能否形成某个场景下的信息切片?

进一步思考时,我产生了另一个直觉:如果“体积”可以圈定一片信息,那么能否放入一个“面”,让面上的信息同时被激活?

我目前更倾向于把这个“面”理解为一种语境切片。

例如,固定以下条件:

当前任务、服务 A、当前部署版本。

与此同时,让内容类型、来源和采集方式保持开放。这样,响应记录、策略文档、会话状态等原本分散的信息,就可以因为共享这一语境而被组织到同一视图中。

如果用三维图来帮助理解,固定一个坐标,允许另外两个坐标变化,确实很像在空间中取出一个平面。但在实际的信息模型中,维度未必都是数值,条件也未必是线性的。因此,这里的“面”不一定是严格的数学平面,更接近由部分条件定义、横跨不同内容区域的查询结果集合。

这种思路与已有的多面检索存在相通之处:通过不同字段及过滤条件缩小范围,同一记录也可以参与多个分类视图。多面检索的工程示例

这里还需要区分“切片”与“投影”。限定服务 A 后查询它的不同信息,是筛选;只显示内容和时间、暂时省略来源等维度,则是投影。后者并不会自动选出更相关的信息,还可能让不同语境下的记录看起来相同。

那么,这样的切片能否点亮特定场景下的所有相关信息?

如果条件是明确的,而且对应字段完整,在当前数据库范围内,可以完整列举满足条件的记录。但“满足查询条件”与“语义上所有相关”仍然有距离:信息可能尚未采集,标签可能缺失,关系也可能还没有建立。

因此,一个场景也可能需要多个切片、语义召回和关联扩展共同组织。精确条件之外,还需要保留补充候选的入口。I₅ 虽然不能直接证明当前版本的行为,却可能作为历史参照被另一轮查询选出。

我想保留“面状点亮”的直觉,但暂时不把它写成一种保证完整召回的新机制。它更像是在追问:一个场景应该怎样被描述,才能把分散的信息重新组织起来?

区域点亮、关联点亮与语境切片

这是否只是另一种 RAG?

到这里,这套构想确实会让人联想到向量检索或 RAG。

我个人并不认为,只用“简单的 RAG”就能概括我想解决的问题。但这还需要说明:RAG 本身并不等于向量近邻搜索;它关注的是如何利用外部检索结果支持生成,图结构和混合检索也可以参与其中。GraphRAG 已经提供了结合实体关系、社区摘要和生成的研究路线。RAG 原论文、GraphRAG 原研究

因此,我更希望把自己的关注点说清楚:持续维护信息的身份、来源、语境、关系及其修订依据,让检索成为访问这个模型的一种方式。

向量检索可以成为其中一个入口,关系查询也可以成为入口;这些信息最终用于生成答案时,同样可以进入 RAG 流程。目前没有必要仅凭使用了“坐标”和“点亮”这些描述,就判断它已经超出了已有方法。

真正需要进一步验证的,是这种组织方式能否帮助系统找到原本容易遗漏的材料,区分当前适用与历史参照,保留冲突证据,并降低形成可靠判断的成本。

从信息点亮到 Fact–Intent 闭环

最后,还需要把这个信息模型接回前面的探索过程。

语义坐标、区域选择、语境切片和关系传播,首先解决的是“哪些信息值得进入当前视野”。接下来仍需要检查:它们是否适用、是否重复引用同一来源、是否存在冲突,以及能支持多强的结论。

在前面的例子中,观测与策略能够支持的判断,可能只是:

当前已采样的账户访问行为与策略相符。

不能因为相关节点都被点亮,就推出“服务 A 不存在访问控制问题”。如果 I₄ 表明某次请求发生时会话已过期,那么这条观测能够支持什么结论,也需要重新解释。

经过这些检查后,部分判断才能作为当前被接受的 Fact 呈现。尚未解决的证据缺口,则可以成为生成 Intent 的依据,指导下一轮采集与验证。

因此,我目前设想的循环可以写为:

问题与语境 → 信息激活 → 适用性与证据检查 → 形成或修订 Fact → 识别缺口并生成 Intent → 获得新信息。

从候选信息到 Fact–Intent 的证据闭环

小结

根据目前的思考,我希望把信息组织成一种既有描述维度、又有显式关系的模型:语义坐标帮助定位,区域与语境切片帮助选择,关系帮助补充候选,推导记录则说明这些材料如何支持判断。

“体积”“面”和“神经元点亮”给了我理解这一过程的直觉,但它们还不是完整的技术定义。这套结构是否有意义,最终仍需要看它能否改善信息的检索、甄别、复用和判断,而不是看空间图画得是否足够复杂。

结尾

回看这次思考,我最初关心的是怎样改进 Cairn 与 ARTEX 的探索机制,后来逐渐转向另一个问题:系统如何组织已有信息,又依据什么将信息转化为判断和行动。语义坐标、区域选择、关联点亮和语境切片,是我目前尝试理解这一过程的几种方式。

这些想法还没有形成完整方案,也尚未证明能比现有方法更高效。接下来值得验证的是:它能否找到容易遗漏的证据,保留冲突与不确定性,并帮助系统作出更可靠的判断。我先将思考记录到这里,后续再通过具体场景检验这些抽象是否有用。