Grokers：自底向上歸納理解與寫入時智能
本文介紹 Grokers，一種通過自底向上歸納遍歷依賴子圖來構建類型化知識圖譜持久結構化理解的架構。與在每個查詢時都需承擔全部理解成本的檢索增強生成（RAG）不同，Grokers 將智能推向寫入時：自主 Groker 代理分析類型化流圖中的節點，通過受控語言模型（LM）調用提取結構化屬性，並沿依賴關係向上歸納組合理解，寫入富化的類型化屬性，使所有未來查詢無需額外 LM 成本。
本文證明了三個形式化性質：（1）字節恆等定理，表明從事務維護的反規範化索引中組裝出的上下文塊在語義變化之間跨 LM 輪次字節恆等，使 KV 緩存命中率接近 100%；（2）累積單調性定理，表明在受控智慧庫增長協議下，無需 LM 調用即可解決的交互比例隨已完成交互數量非遞減；（3）雙遍歷順序定理，表明自頂向下生成和自底向上理解是依賴 DAG 上各自任務的唯一正確遍歷順序，且它們的組合形成一個完整的生成-理解循環。
進一步，本文提出了一種確定性替代嵌入語義搜索的方案，即同義詞緩存協議，其 LM 回退率在有限詞彙域中收斂至零。參考實現已提供於開源 Qbix/Safebox/Safebots 棧中。