返回工作台
BNS Design Intelligence Engine
技术理论图谱
系统融合 Agentic Search、Light GraphRAG、混合检索、模式路由、DSP 编译和 BNS Self-Repair，用于生成与修改学习任务。核心思想是：让智能体决定该调用哪些知识，而不是把整个知识库交给模型硬吃。
graph nodes
7.6K+
routes
9+
context
bounded DSP
Agentic Graph CoreDSP compiler
Agentic Search
planner -> router -> judge
不是一次性检索，而是先判断当前任务缺什么，再动态规划路线、调用工具、审查证据并二次补搜。
Light GraphRAG
nodes + transfer_edges
把任务蓝图、知识块、模式库、评价库和迁移边连成证据图，输出目标到评价的可解释路径。
Hybrid Retrieval
FTS5 + metadata + patterns
FTS5 负责精确召回，模式表和历史轨迹负责结构召回，避免每次调用完整知识库。
Pattern Router
design / assessment / problem / format
按任务需要调度设计模式、评价模式、问题模式、格式模板和用户历史，而不是只找相似文本。
DSP Compiler
evidence -> compact context
把高价值证据路径压缩成 Design Support Package，控制 token 成本并提升生成稳定性。
BNS Self-Repair
rubric -> rewrite loop
生成后用 BNS 量规自评，若情境、产出、评价或支架不足，就触发二次修复。
Knowledge Evolution
三层知识库进化算法
L1
管理员上传
专家级优质任务、基准蓝图、评价证据和高迁移支架。
L2
学科组长上传
已实施学习任务、真实课堂流程、学科组修订意见。
L3
用户上传与反馈
任务生成、修改、复制、保存、选择与即时反馈形成历史轨迹。
Runtime Chain
一次任务如何被系统处理
1Intent Agent 解析输入
2Search Planner 拆分检索路线
3Tool Router 调度 FTS5 / GraphRAG / 模式库
4Evidence Judge 检查缺口并补搜
5DSP Compiler 压缩证据
6BNS Rubric 自评与修复