Grokers：基于类型知识图谱的自底向上归纳理解与写入时智能
Grokers 是一种架构，通过自底向上归纳遍历依赖子图，构建对类型化知识图谱的持久结构化理解。与检索增强生成（RAG）不同，Grokers 将智能推到写入时，自主 Groker 代理分析节点并提取结构化属性，使未来查询无需 LM 调用。本文证明了三个定理，并提供了一种确定性替代嵌入语义搜索的方案。
Grokers：自底向上归纳理解与写入时智能
本文介绍 Grokers，一种通过自底向上归纳遍历依赖子图来构建类型化知识图谱持久结构化理解的架构。与在每个查询时都需承担全部理解成本的检索增强生成（RAG）不同，Grokers 将智能推向写入时：自主 Groker 代理分析类型化流图中的节点，通过受控语言模型（LM）调用提取结构化属性，并沿依赖关系向上归纳组合理解，写入富化的类型化属性，使所有未来查询无需额外 LM 成本。
本文证明了三个形式化性质：（1）字节恒等定理，表明从事务维护的反规范化索引中组装出的上下文块在语义变化之间跨 LM 轮次字节恒等，使 KV 缓存命中率接近 100%；（2）累积单调性定理，表明在受控智慧库增长协议下，无需 LM 调用即可解决的交互比例随已完成交互数量非递减；（3）双遍历顺序定理，表明自顶向下生成和自底向上理解是依赖 DAG 上各自任务的唯一正确遍历顺序，且它们的组合形成一个完整的生成-理解循环。
进一步，本文提出了一种确定性替代嵌入语义搜索的方案，即同义词缓存协议，其 LM 回退率在有限词汇域中收敛至零。参考实现已提供于开源 Qbix/Safebox/Safebots 栈中。