基于对 Cairn 和 ARTEX 的分析,谈谈我的一些思考
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。
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。
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。
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。
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 | while (goal - state).facts: |
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。
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”。
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?
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。
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。





