BNS Knowledge Observatory
知识库信息
这里展示真实 SQLite 知识库、FTS5 检索索引、轻量 GraphRAG 拓扑和三层知识来源。模型切换已移动到生成与修改页面。
真实知识库规模
BNS 优质任务库
任务蓝图
0
知识块
0
FTS5 索引
未启用
知识 Token
≈ 0
Manifest
0
数据库体积
0 B
成功抽取 0 份资料，OCR 需求 0，失败 0。
更新时间：未知
Obsidian-Style Knowledge Graph
BNS 语义知识网络
semantic hubs
0 blueprints
vector edges
0 FTS rows
corpus mass
≈ 0 token
compiler
DSP context graph
管理员上传：优质任务基座
沉淀专家级任务蓝图、评价证据、设计亮点和可迁移支架，是系统最稳定的高质量知识源。
0 task blueprints
学科组长上传：已实施学习任务
吸收真实课堂中被验证过的流程、支架、产出和反馈，让知识图谱具有实践校准能力。
0 extracted files
用户上传：任务与即时反馈
每次生成、修改、复制、保存和选择都会进入历史轨迹，反向影响后续检索权重和支持包编译。
feedback-driven evolution
GraphRAG Knowledge Structure
BNS GraphRAG 知识结构
GraphRAG 在这里不是装饰概念，而是把任务蓝图、知识切片、设计模式、评价模式、问题模式、迁移边和历史反馈连成可解释路径。Agentic Search 会按当前任务需要调用这些路径，并把证据压缩进 DSP。
知识节点
Graph Nodes
V = task + chunk + pattern迁移边
Transfer Edges
E = relation(v_i,v_j)证据路径
Evidence Paths
P = v -> e -> v支持包
DSP Context
DSP = top-k(P)进化反馈
Reward Loop
w = w + feedbackGraph Nodes
任务蓝图、知识块、设计模式、评价模式、问题模式和格式模板会被抽象为不同节点，系统不再只依赖相似文本。
Transfer Edges
迁移边描述“科学观察如何迁移到语文说明文”等关系，帮助系统从结构上借鉴优质任务，而不是照搬主题。
Evidence Paths
GraphRAG 输出的不只是节点，而是目标、设计模式、产出和评价之间的路径，技术人员能看到证据如何进入生成。
DSP Compression
支持包只保留高价值路径、模式和引用片段，避免每次请求都把完整知识库塞进上下文。
Evolution Reward
管理员、学科组长和用户三层知识会通过使用反馈持续改变权重，越常被验证的结构越容易被召回。
Agentic Invocation
GraphRAG 是 Agentic Search 的工具之一；当任务需要关系推理、迁移和模式判断时才会被调用。