◈RHODES ISLAND 通讯与技术部

RETRIEVAL PIPELINE

检索数据流 · 一次提问到的全部环节

把 RAG 的技术栈摊成一条流:从博士的一句话进来到她回话、再把这一轮写回记忆。 每个节点挂着代码位置与数据。

7 个案例 · 127 条世界书 · 14,282 条关系边 · 6 条长期事实

点下一步,或直接点某一格。

这一步的数据。

01

输入

博士的消息 · 当前身份 · 当前线(worldline)· 当前情绪坐标

app/api/chat.py → app/systems/memory/coordinator.py:178 retrieve_zscore()
线隔离键:worldline_id(缺列=main 共享桶);身份 identity_key
02

预处理

分块与话题定位 · 情绪坐标取值 · 计算检索向量(384 维)+ 时间特征 3 维

coordinator.py:237 get_embedding(output_dim=EMBEDDING_DIM_RETRIEVAL) → +[0,1,1]
实测:L3 集合宽度 387(=384+3)· 查询向量同宽(喂错宽度会静默查空)
03

并行检索 · 五路

世界书(关键词+冷却)· 关系网(别名归一→权威分层→详情句)· 名单兜底(仅关系块为空时)· 经历召回(剧情事件)· 记忆三层(L1 活跃块 / L2 切片 / L3 事实)

app/systems/story/recall.py · memory/l1_short.py · l2_mid.py · l3_long.py
案例实测:世界书命中 2 条 · 关系块 698 字 · L3 探针最高分 0.9278
04

竞争排序

z-score 竞争 · 粗到细(先定话题再在话题内竞争)· 情绪加权(与当前情绪越近越加权)· 权威折扣

l3_long.py:757 情绪加权(默认开)· coordinator 的 coarse-to-fine
权威分层:正典 / 本局事实 / 待考 / 提案(prompt 里带来源与档位)
05

预算组装

每块有字数上限;线过滤是**后置过滤**(不动 where,老条目才不会被漏掉)

l3_long.py visible(meta[LINE_KEY]) · recall.build_relations_block(ROSTER_MAX_CHARS=700)
案例实测关系块 698 字 · 名单上限 60 人 / 700 字
06

生成

写作铁律 + 人设(.char)+ 氛围块 + 上面组装出的检索块 → LLM

app/prompts/base_guard.py · core/utils.py::WRITING_RULES · prompts/atmosphere.py
写作铁律第 1 条:动作位置按情境轮换。
07

写回

分块关闭 → 摘要 → L2 切片 → L3 事实(每条自带检索词)→ 会话锚点(抗重写)

app/api/chat.py:546 summarize_and_extract_task() · narrative/doctor_conditions.py(博士持续状态)
本轮实测入库:L3 事实 6 条 · L1 摘要 531 字
08

观测

每轮 LLM 调用一行遥测 · 跨块回溯命中/未命中/不适用三档 · 漂移检测器

app/core/llm_telemetry.py · recall_telemetry.py · scripts/drift_scan.py
漂移检测器真实验收:某会话 tic「大约」0.00 → 8.45 条/条(169×,人工翻会话才能发现的那次)
—

关系图谱检索(未实施)

设计里是第二条检索线:图谱边 → 自然语言 → 注入。评估结论:三处假设与真实数据不符,未实施。

docs/relation-rag-design.md(设计)· app/systems/relation/rag.py(不存在)
实测:2163 条边里 1959 条(90.5%)是「同族」分类标签,不是人物关系;而 note 字段 100% 覆盖且已是人写的自然语言 ——

数据文件随页面静态发布:rag_traces.json(正典层 7 案例)· rag_memory_trace.json(记忆三层 + 探针分数)—— 本页数字取自这两份文件。

← 看具体的检索回放(一次提问,逐层点亮)