Grokers：基於類型知識圖譜的底部歸納理解和寫入時智能架構

研究論文提出Grokers架構，旨在透過底部歸納遍歷依賴子圖，建立對類型知識圖譜的持久結構化理解。與傳統的檢索增強生成（RAG）不同，Grokers將智能成本推至寫入時：自主的Groker代理在類型化流圖中分析節點，透過受控的語言模型（LM）呼叫提取結構化屬性，並透過依賴關係向上歸納組合，從而為所有未來查詢提供零額外LM成本的富集類型屬性。論文證明了三個形式化定理：（1）位元組-身份定理，確保上下文區塊在語義變化間的LM輪次中位元組一致；（2）累積單調性定理，證明在受控智慧庫增長協議下，無需LM呼叫的互動比例非減；（3）雙遍歷排序定理，確立自上而下生成和底部歸納理解是其各自任務在依賴DAG上的唯一正確遍歷排序。此外，論文提出了一種確定性替代方案，用於基於嵌入的語義搜索，其同義詞緩存協議的LM回退率在有限詞彙域中趨近於零。參考實現在開源Qbix / Safebox / Safebots堆棧中提供。