开发日记 · 2026-09-24
混合检索（Hybrid RAG）实践：当语义向量遇上知识图谱实体
单纯依靠语义向量容易忽略精确的实体定义，单纯依靠关键词则丧失语意发散能力。本文记录 Accrue Notes 如何在移动端实现向量与图拓扑的混合打分，以及为何必须将 AI 思考过程完整白盒化。
结论先说
黑盒 Chatbot 是个人深度思考的天敌。在知识对话中，我们拒绝任何“假装知道”的生成式幻觉。Accrue Notes 采用自研的 Hybrid RAG（语义向量 + 实体图谱拓扑）混合检索算法，并将 AI 思考过程（Thinking Process）与源笔记引用卡片（Ref Quotes）完全暴露给用户，让每次推演清晰可溯源。
传统单一检索的死穴
许多所谓的“AI 笔记”只是在文本上跑一次通用的 Vector Embedding，然后塞进 LLM 的上下文窗口：
- 实体丢失（Entity Blindness）：比如笔记中记录了
[[奥卡姆剃刀]]和[[第一性原理]]的具体派生关系，向量检索在计算余弦相似度时，往往召回了包含相似修饰词的无关段落，而漏掉了真正核心的概念定义； - 缺乏逻辑推演链：用户问一个跨笔记的深度战略问题，普通模型直接吐出一段似是而非的空话，用户根本不知道它依据了哪几篇笔记、经过了怎样的推演，一旦出现幻觉危害极大。
我们的解决方案：双引擎混合检索
[用户提问 / 深度研报主题]
│
├──► 向量引擎: 本地 Embeddings 语义余弦相似度召回 (Top-K)
│
└──► 图谱引擎: 提取识别到的 [[实体]]，沿双链拓扑抓取一阶/二阶关联节点
│
▼
[混合重排与上下文加权融合 (Reranking & Context Filter)]
│
▼
[白盒 System Prompt: 强制输出 <thinking> 推理链与 [Ref] 原文引用]
│
▼
[流式呈现: 实时思考胶囊折叠卡片 + 确凿引文直达]为什么要坚持白盒思考链？
在最新版本中，我们将最外层的知识问答全面升级为 Thinking 推理过程透明化。当大模型在分析你的知识库时，它的每一个推导步骤—— “首先从笔记《反脆弱笔记》中提取塔勒布对非对称性的定义…” “接着对比笔记《芒格逆向思维》中的矛盾论点…” 都会实时展现在前端可收起的 [🧠 已深度思考] 胶囊卡片中。思考完毕后自动收拢，用户既能获得干净精炼的最终结论，又能随时展开复盘底层的逻辑全景。