后端前端人工智能RAG知识图谱知识管理搜索引擎【免费下载链接】utopiaWorlds first open-source enterprise world model.项目地址https://gitcode.com/gh_mirrors/ont/utopia点击查看免费下载导读本文基于 utopia 项目决策记录 0044-the-ontology-is-a-view-over-what-documents-say.md系统讲解其核心技术主张——把知识抽取拆成开放图谱文档自己的话→ 本体人工治理的词汇→ 类型化图谱按签名对齐计算三个层次并给出实测数据、落地约束与当前实现状态。读完你能够理解为什么写时绑定的旧路径会诱发幻觉事实签名对齐为什么按短语成本增长而不是按文档增长时间与身份如何沿用同一套证据优先哲学以及这套设计在 utopia 仓库crates/utopia-extract、crates/utopia-store、docs/design/extraction.md、docs/design/ontology.md中的真实落点。背景写时绑定为什么是错误答案在旧路径中抽取模型在写入事实的那一刻就把每个事实绑定到知识库本体的某个属性上本体整体或裁剪后被塞进提示词找不到属性的陈述退化为未绑定提议。第一版决策记录针对时序语料做的审计给出了三个刺眼数字59% 的事实未绑定1,093 个不同的谓词五分之一的实体靠描述命名没有名字、只有描述性短语。直觉上的补救是围绕同一个绑定动作多加几个阶段分级卡片、分档提及、写时绑定陈述。但 2026-09-15 的原型直接测试了绑定动作本身结论是错误就住在绑定动作里。原草案skim card、graded mentions、写时绑定因此被废弃取而代之的是本文介绍的三层架构。关联决策记录0022文档日期与 attested_at、0041名字即事实、身份靠证据、0043每条评审队列都过 governor以及 #714发现抽取误用上传时间当文档日期。原型测量八个被数字钉死的结论原型设置DeepSeek-V4-Flash关闭思考负责抽取与 agentDeepSeek-V4-Pro 担任裁判校准集 24 条人工标注事实命中 21 条语料为 Re-DocRED 测试集抽样的 100 篇维基引言3,462 条金标准三元组、95 个 Wikidata 属性加 scripts/bench/recall.mjs 的 FDA、统计公报、SEC 语料。多个结论需要先划清边界不报 F1——Re-DocRED 金标准遗漏大量真实事实精确率被系统性低估且各方案低估程度不同调和均值无可比性精确率一律指校准裁判的判定召回率指金标准事实的恢复率每一条金标准事实都为真故召回可靠。单次运行计数为主同一配置在 50 篇文档上跑三次裁判精确率波动约 4 个点、金标准召回波动 1 个点。1. 用文档自己的话写陈述是忠实的两套抽取提示词产出的 333 条开放陈述中裁判认定0 条文档未陈述、2% 措辞错误。对照写时绑定10 篇 Re-DocRED 文档陈述数已陈述已陈述但措辞错未陈述开放陈述完整抽取提示词19297.9%2.1%0开放陈述紧凑单调用提示词14198.6%1.4%0写时绑定仅属性名7874.4%16.7%9.0%写时绑定带定义11479.8%15.8%4.4%写时绑定里那些文档根本没说过的事实正是被属性清单诱导出来的一个奖项被写成了流派genre、一个县被给了 notable work、一位十七世纪国王被安上了现代国籍。忠实性差距的机制在 crates/utopia-extract/src/open.rs 有源码级印证系统消息的规则 8 明确写 State nothing the passage does not state提示词中不含文档日期、类型清单、关系清单、属性清单测试the_prompt_carries_no_ontology_and_no_document_date逐一断言这些都不会泄漏进提示词。2. 事后绑定丢的比留的多把开放陈述对齐到已有本体在 FDA/统计公报/SEC 三个语料上4/113 条陈述绑到了 567 个短语组对应的 schema.org 属性对 Re-DocRED 自己的 95 个属性只恢复 5.6% 的金标准事实而提示词内带属性抽取可恢复 15.3%。损失来自隐含事实——a 1952 British film暗含国家属性——这类事实开放陈述并未以陈述形式说出。3. 金标准重叠低估了精确率Re-DocRED 仍遗漏大量真实事实切片抽取的严格精确率为 37.8%而校准裁判接受 76.1%。人工复核 30 条不匹配事实9 条正确、5 条属性近义、6 条有争议、10 条错误。顺序结论哪种方案更优在严格与裁判精确率下都成立下文引用的都是裁判判定值。4. 结构完整时大本体可逐文档切片95 个基准属性藏在 872 个 schema.org 属性中每篇文档获得约 133 个属性的切片覆盖其金标准三元组所用关系的86.6%。切片构成属性定义域/值域与文档实体类别匹配单用 34.0%、与陈述短语最接近的属性单用 28.9%、以及所有未声明定义域的属性最常用的 country、located-in 都没有定义域。没有类层级与 Wikidata–schema.org 等价关系时结构部分只能找到 10%。用切片抽取达裁判精确率 71.2%、金标准召回 12.4%直接用 95 属性为 77.8% / 15.3%把 Wikidata 声明等价的 49 个 schema.org 属性并入切片后升至 75.3% / 13.8%。5. 开放与绑定抽取独立运行才互补开放陈述与绑定事实取并集后链接了46.8%的金标准实体对开放单独 38.4%、绑定单独 34.5%恢复 16.0% 金标准事实。把开放陈述作为上下文喂给绑定通道反而把召回压到 42.9%。6. 抽取之后agent 可以纠错errata agent 用工具读文档、查属性定义/约束/上位属性/逆属性、撤销/修订/新增审了 99 篇文档的全部事实裁判精确率从 76.1% 升到 89.5%金标准召回从 13.8% 微变到 13.6%它撤销 278 条、修订 42 条、新增 49 条而裁判认定正确的事实从 871 降到 814——被它删掉的事实约有四分之一本来是对的。另从半数文档学来的 agent 用法说明usage notes投给另一半文档的抽取效果不比同长度的泛化告诫更好。7. 成本一篇 165 词文档完整原型约烧23,000 提示词 7,200 完成词元。紧凑管线实体扫描、缓存类型映射、一次抽取调用、仅对标记事实做 errata为 3,449 753同一批 10 篇文档上达裁判精确率 80.0%、金标准召回 15.1%完整原型的 errata 后绑定事实为 85.9% / 18.9%。实体类型词→类映射按库缓存第二轮跑同样文档只遇到 5 个新词首轮 54 个这是代价随不同说法增长、不随文档增长的量化证据。8. 运营型本体平台不从文本归纳本体其对象类型、链接、动作由构建者按用例设计、以人工策展数据集支撑语言模型抽取进的是构建者已塑形的表编辑回放到底层数据。utopia 走的不是这条路。核心决策三层架构与本体一词的唯一含义决策 1三层且本体只指中间那层开放图谱open graph保存文档所说——实体及其名字与种类词、关系为文档短语的陈述含参与者、限定词、时间提及、引文。不需要本体本体变成什么样它都保留。本体ontology对象类型、链接类型、属性各自带定义、示例、回归用例另有约束与动作体量小、由知识库要回答的问题塑形、在记录轴recorded axis上版本化。类型化图谱typed graph用本体词汇表达的事实由开放图谱计算而来并标记其计算时所依据的本体版本。本项目中本体这个词只指第二层。决策 2抽取只写开放图谱别无其他每块一次调用、紧凑契约数组、短键、不重复名字、提示词里没有本体。抽取器输出带种类词的实体、用文本原词写的陈述、作为被描述事物属性的数字与标题、照原文写的时间提及、文档给的其他名字。代码校验名字与引文确实出现在该块中——服务端校验在 crates/utopia-server/src/extraction_open.rs 逐个实现为 drop 原因quote_not_in_chunk、name_not_in_text、time_not_in_quote、unknown_ref、object_undeclared、name_claimed_by_another等偏移由服务端定位引文计算、绝不信模型报的数字。紧凑契约的 JSON 形状来自 open.rs 的系统消息与解析结构{e: [[Harbor Bridge, bridge, 1], [farmland, land, 0]], s: [[The city council awarded the paving contract to Brightway Builders for $2 million on March 4, 2011., city council, awarded, paving contract, null, {to: Brightway Builders, amount: $2 million}, March 4, 2011, null]], n: [[Brightway Builders, Brightway, Brightway Builders, known locally as Brightway, is based in Port Ellen.]]}字段语义要点e实体[名字或描述, 种类词, named]。named1 是原文点名的专名或固定术语人、组织、产品、地点、文件、法律、事件以及在任何文档中含义一致的疾病、药物、行业、品类、指标名字不带引述语、不带数字about 40 hectares of farmland 是实体 farmland 加一条area陈述named0 是角色或泛指短语the company、patients、各部门无论在此处多具体。无 id。s陈述[引文, 主语名, 短语, 宾语名或 null, 字面值或 null, 限定词对象或 null, 何时或 null, 何时终止或 null]。引文在第一格——先抄原句、再据其写陈述先引后述实测这比带编号的版本可靠得多主语/宾语是e或已知清单里的名字、拼写完全一致宾语与字面值恰有一个超过两方参与或链接带数额/头衔/条件/比较时主对进主宾、其余进限定词键为原文说明角色的一两个词when/ended照原文的字抄从不计算。n别名[e 里列的名字, 本段用的另一个名字, 引文]只收原文真写了的名字。为什么用名字 逐条引文而不是编号编号版在密集财报段落上实测会把 id 串位NVIDIA has reached AI、tokens are tokens原文是 AI has reached its inflection point同一块两次回复编号不一致原型名字 逐条引文版 333 条 0 条编造。多花的 token 买的是不串位——这正是决策 2 紧凑契约与忠实优先于省钱之间的平衡点。决策 3对齐产出类型化图谱——绑定与蕴含规则对齐是评审工作台review workbench对开放图谱的一次操作按签名signature裁决、绝不逐条事实裁决。签名 短语 主语类别 宾语类别宾语为字面值时记值。对齐产出两类东西绑定binding该签名是这个属性、这个方向或不是。绑定按库缓存、带置信度与本体版本签名再现即复用——代价随不同说法增长而不是随文档增长。候选来自属性声明定义域与值域同时接纳两端任一方向均可未声明的一端接纳一切模型看到签名下的三条陈述与引文两次投票候选顺序相反必须就属性与方向一致forward 陈述主语是属性主语reverse 反之才绑定。投票分歧记为undecided进 #725 的对齐队列没有可匹配属性的记为none其陈述留在开放图谱并计入工作台建议。蕴含规则implication rule某形状的陈述蕴含某属性的一个事实值取自陈述的一侧或由一条**已声明的读法reading**从宾语短语读出国籍形容词所指的国家、短语给出的年份。对齐器提议规则、工作台批准、代码执行读法对每个不同短语应用一次并缓存规则产出的事实标记为 implied。对齐读来源裁决签名与应用读法都能看到陈述所在的块所以located in the Piedmont region of the Commonwealth of Virginia能像读者一样既绑定到属性又绑定到那个事物。对齐是按签名组织的文本类型化解读开放图谱是指数、文本是证据它与写时绑定的区别是没有开放陈述或规则背书的事实绝不写入本体变化也绝不重抽取文档。这正是读者不靠文本陈述就能得出的隐含事实从地区推国家、从 British film 推国家进入类型化图谱的路径——不需要第二遍绑定本体的抽取。首个对齐原型只读陈述30 篇 Re-DocRED 文档靠绑定恢复 6.5% 金标准事实、靠规则恢复 10–12%绑定通道为 15.5%差距恰在对齐器没读文本之处。因此文档明确保留了一条过渡条款在对齐两次干净运行追上绑定通道之前经批准的本体下仍可保留带本体切片的绑定通道但其事实必须挂到开放陈述上或标记为 implied。本体变化时只有签名或规则发生变化的事实被重算无属性的签名留在开放图谱、什么都不损失、只向工作台贡献建议。后续决策 0051 继续补完交付语义人工绑定可能晚于运行中对齐器的最后一次读取而提交因此提议每个已接受的人工短语绑定都配一个同事务提交的物化专属任务杜绝另一个任务正在跑所以跳过入队的猜测性交付。决策 4本体由工作台从三个来源构建本体页面变为工作台元素来自三处开放图谱的建议最频繁的未绑定签名、使用中的类型词、以及一个本体 agent——它把这些对照**能力问题competency questions**阅读提议对象类型、链接类型、属性与规则含定义、示例、它们会绑定的签名导入文件0008 的 pack、schema.org、OWL 或 JSON-LD 文件在线编辑。人通过动作actions批准每个获批元素都携带从开放图谱取回的回归用例改定义即重跑。本体的验收标准是能力问题能否被正确回答。切片与规则所依赖的结构类层级、等价关系、定义域、值域是批准的一部分重复属性作为治理的一部分合并。预置本体来源可参考 utopia-server/packsschema-org、w3c-org、prov-o、foaf、iof-core 五个内置包决策 0008。决策 5时间像身份一样靠证据解决时间提及是一条带引文的事实挂在它定时的陈述上。抽取在块间携带文档时间上下文文档自身日期取自内容或来源系统绝不取上传时刻见 #714、叙事设下的锚点、以及文档定义的日历财年、报告期。模型返回的是解释而非日期绝对或锚点加偏移一个粒度点、区间或 as-of。区间由代码计算。锚点未知的提及保留原词等待稍后出现的锚点本文档或另一文档触发重算。三个时间始终分开陈述成立时valid time、文档观察到它时文档自己的日期、账本得知它时recorded time。落库口径见 docs/design/ledger.md 与 crates/utopia-server/src/extraction_open.rs 的dated_atattested_at仅当doc_time_source为content或source时才使用上传时刻与文件修改时间都不是文档说的日期。时间的字面解析与粒度由 crates/utopia-extract/src/time.rs规则 3 契约格式 YYYY[-MM[-DD]]、带时区时刻、written_date的宽容读法支撑关联 决策 0045。决策 6跨文档身份靠证据裁决每篇文档的实体按名字与已声明别名在文档内合并以名字、类别、属性、邻居与时间跨度画像候选来自名字事实与跨脚本的名字向量。确定性证据为每对候选打分并尽可能一锤定音名字与邻居一致加分类型/属性/寿命冲突判 cannot-link。只有未决对才进 adjudicator——它看到的是两份画像而不是两份文档。聚类尊重 cannot-linkA≈B 且 B≈C 不会无视证据把 A 与 C 合并新证据重估旧合并合并或分裂都是可回滚的动作。改名保留一个实体、名字在不同时间有效某公司首席执行官这类角色不是实体。决策 7errata agent 在抽取之后审类型化图谱审结构标记的事实主体/客体超出属性声明的种类、文档里找不到的名字、日期属性没有日期再抽样其余对分给它的每条事实先核后加按每文档预算执行 JSON 动作协议每次撤销/修订作为带文档原词证据的动作记录。其度量是精确率增益 ÷ 删除的正确事实数——与原型第 6 条测量的口径一致。决策 8词典仍然是受治理的数据别名表、绑定、cannot-link 列表、地名表gazetteers都是带来源provenance的数据像事实一样被评审绝不成为代码里的列表。对应源码中 crates/utopia-store/src/phrase_bindings.rs、crates/utopia-store/src/type_bindings.rs 的表设计。明确不做的事写时绑定本体——正是它产生了上面测出的抽取错误并把每篇文档绑死在一个本体版本上把通用本体放进提示词——知识库的本体随使用增长切片取决于文档绑定发生在签名上从部分语料学用法说明去重抽其余——实测不比泛化告诫更好模型算日期或用上传时间当文档日期代码里的词表——名字、后缀、关系形状、时间表达都不许写死在代码里。不做清单与 docs/design/extraction.md 的 Why 一节互相印证无本体提示词1,010 类本体单块烧 108k 词元且让模型选得更差、模型不算日期模型内部算术无迹可循、today 曾按上传日解析、代码只查结构不查词汇名字因在文本里而被保留不是因为某张表说它是名字。测量纪律与发布阈值每刀cut至少报三个领域、每配置两跑、并声明裁判校准。各领域指标如下对象基准数字开放图谱Re-DocRED100 篇 FDA/统计公报/SEC 语料未陈述与措辞错误裁判、实体对召回、每文档词元数类型化图谱Re-DocRED 用其 95 属性当已批准本体裁判精确率附人工标注集的裁判一致性金标准召回按两端是否同句拆分语料增长时每文档成本。严格精确率/召回/F1 仅在对照已发表结果时给出本体FDA/统计公报语料 书面能力问题答对问题数人对建议的改动占比时间temporal.mjs、lease bench、SEC 财期、统计公报归一化值与粒度、陈述有效时间、as-of 回答跨文档身份identity.mjs共享非位置实体或异类型同名者的 Linked-Re-DocRED 文档GPL-3.0保留在仓库外成对精确率与召回错误合并与漏并分开计每千实体 adjudicator 调用数errata类型化图谱 bench精确率增益、删除的正确事实数、词元数一刀落地前的门槛开放图谱未陈述 ≤ 2% 且实体对召回不低于现状类型化图谱在同样的 Re-DocRED 文档上裁判精确率 ≥ 完整原型errata 前 100 篇样本 75.3%、且两端同句金标准事实的召回 ≥ 原型各报两跑每文档词元 ≤ 原型的五分之一。跨句事实的召回只报告、等推导规则derivation rules来了才转正为门槛。发布节奏Cuts与当前状态开放图谱入账本陈述、时间提及、名字在两个时钟上带来源紧凑抽取契约藏在 flag 后——已建成#731记忆文档同路径 #735类型化路径删除 #736对齐signature → 属性/方向/置信度/本体版本的表蕴含规则与缓存读法类型化图谱的物化与重算——未建成原型与 0051 处于契约评审中时间上下文与代码化时间提及解析关闭 #714——建设中身份证据画像、确定性打分、cannot-link、约束聚类0041 第 2 刀的名字向量——建设中本体 agent 与能力问题定义上的回归用例——未建成走 gate 的 errata agent——未建成。今天的抽取器保持原样直到第 2 刀通过门槛。当前状态与细节以 docs/design/extraction.md 和 docs/design/ontology.md 为准。从源码结构可以确认的既有实现包括开放抽取契约与解析crates/utopia-extract/src/open.rs、种类词→类与短语→属性的两个对齐提示词/解析crates/utopia-extract/src/align.rs、crates/utopia-extract/src/phrase_align.rs、类型化图谱的集合式物化重算crates/utopia-store/src/materialize.rs含pg_advisory_xact_lock串行化与幂等重算、绑定表crates/utopia-store/src/phrase_bindings.rs、开放写入路径crates/utopia-server/src/extraction_open.rs。开放问题查询如何读取部分物化的类型化图谱以及何时 eager 物化推导规则能否找回写时绑定曾找到的隐含事实Re-DocRED 的 country 与 located-in 关系占其实体对的五分之一尚无能力问题的新知识库如何起步确定性证据在需要 adjudicator 之前能解决多少身份问题。延伸阅读仓库内抽取契约现状docs/design/extraction.md输入输出、drop 原因、阈值与基准、被取代的旧契约本体现状与表结构docs/design/ontology.mdentity_types/relation_types/entity_type_parents/relation_type_domains等、包与 OWL 导入、签名绑定实测数字、语言策略账本语义docs/design/ledger.mdopen/typed 两层、证据表、invalidated_at唯一出口、导出为 RDF 陈述相关决策本体包冷启动 0008、名字即事实 0041、时间提及按文档解析 0045、人类短语决策携带物化工作 0051设计总览docs/design/README.md、docs/decisions/README.md赞分享后端前端人工智能RAG知识图谱知识管理搜索引擎【免费下载链接】utopiaWorlds first open-source enterprise world model.项目地址https://gitcode.com/gh_mirrors/ont/utopia点击查看免费下载相关推荐从文本到知识图谱GraphRag实体抽取核心技术解析从文本到知识图谱GraphRag实体抽取核心技术解析 实体抽取知识图谱构建的基石 在信息爆炸的时代如何从海量文本中精准提取关键信息并构建结构化知识是提升人工智能RAG知识图谱数据工程大模型PowerInfer 仓库 llama-server 完全指南基于 llama.cpp 的本地 LLM 高速 HTTP 推理服务PowerInfer 仓库 llama server 完全指南基于 llama.cpp 的本地 LLM 高速 HTTP 推理服务 导读 本文围绕 PowerI人工智能大模型推理引擎本地部署Utopia 实体消解决策可追溯一次裁决记下的是为什么ADR 0026 深度解析Utopia 实体消解决策可追溯一次裁决记下的是为什么ADR 0026 深度解析 Utopia 世界首个开源企业级世界模型 https://link后端前端人工智能RAG知识图谱知识管理搜索引擎创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考