WSaiOS 结构智能实时语义库规划
规划目标: 建立一个不依赖大模型 API、支持公开网页信息采集、多 AI 回答交叉验证、概率相关性评分、语义关系组织和持续更新的实时语义库,为 WSaiOS 结构智能系统提供可追溯、可验证、可计算的知识材料。
本规划以你此前提供的 StructureDefinitionModel.php、KnowledgeModel.php、SemanticResourceModel.php、SemanticUnderstandingEngine.php 和 LearningKernel.php 为基础,不擅自改变现有结构化学习流程。
一、语义库的总体架构
需求与问题生成层
读取现有结构定义,动态形成检索条件和待解决问题
行业 + 字段 | 分类 + 字段
多来源信息采集层
公开网页
发现、抓取、正文提取
多 AI 回答
合法访问或人工导入
已有知识材料
现有知识元素与资源
人工资料
文档、证据与补充信息
语义处理与证据核验层
内容规范化 → 语义单元拆分 → 主张识别 → 证据关联 → 冲突分析
评分与概率估计层
相关性、结构匹配、证据支持、来源质量、独立性、时效性
实时语义库
语义单元、关系网络、来源证据、评分记录、版本历史与验证状态
结构智能应用层
需求匹配、知识组合、问题分析、决策依据及结果输出
这套架构分离了信息采集、语义组织、事实验证和决策使用。采集到的信息不会因为进入语义库就自动成为已确认知识。
二、语义库的核心组成
1. 结构关联层
利用现有结构定义建立语义材料与知识目标之间的关联。
现有结构定义已经包含:
-
行业
industry -
分类
category -
对象
objects -
对象中的字段
fields -
结构定义标识及版本等信息
检索条件按照结构定义动态生成,不将业务字段名称写死在代码中。
例如,假设某个结构定义中的行业、分类、对象和字段分别为:
示例结构,仅用于说明动态组合方式
行业
口腔护理
分类
电动护理设备
对象
产品
字段
技术参数
动态生成的检索组合
-
口腔护理 + 技术参数
-
电动护理设备 + 技术参数
对象可以用于细化问题、关联语义材料,但不能擅自替换已经确定的两类核心检索组合。
2. 语义单元层
语义库不应只存储完整网页或长篇 AI 回答,而应将内容拆分成可以单独匹配、核验和组合的语义单元。
每个单元在逻辑上需要关联:
| 信息类别 | 用途 |
|---|---|
| 原始文本与上下文 | 保留原意,避免断章取义 |
| 目标结构关联 | 确定与哪个结构定义、对象或字段有关 |
| 语义类型 | 区分事实陈述、条件、定义、方法、观点等 |
| 主体与关系 | 表达内容中涉及的实体及其关系 |
| 适用条件 | 记录时间、范围、对象和限制 |
| 来源证据 | 追溯网页、AI 回答或人工资料 |
| 验证状态 | 表明目前证据支持到什么程度 |
| 评分记录 | 保存各项评分、方法版本和评分时间 |
这些是逻辑信息类别,并不意味着要在现有代码中直接增加同名固定字段。实际存储方式必须结合项目当前的数据模型决定。
3. 关系组织层
语义单元之间可以建立不同类型的关系:
-
支持:一个证据支持某项主张。
-
反驳:证据与主张不一致。
-
冲突:不同主张在相同适用条件下无法同时成立。
-
包含:一个概念包含更细的概念或单元。
-
条件约束:某项结论只在特定条件下成立。
-
因果候选:存在待验证的因果关系。
-
方法依赖:一个解决方法依赖其他条件或步骤。
-
来源衍生:一份材料引用、转载或改编自另一份材料。
尤其要注意:相关性不等于因果关系,文字相似也不代表语义关系必然成立。
三、多 AI 回答与公开网络交叉验证
信息处理规则
-
收集原始回答。 保存回答来源、获取方式、问题内容及时间;公开网页和人工导入材料也采用同样的可追溯原则。
-
拆分事实主张。 将一段回答拆分成可以分别核验的陈述,保留原始上下文。
-
寻找外部证据。 优先查找原始资料、官方文件、技术文档和其他有明确来源的公开材料。
-
检查来源独立性。 多个网页可能来自同一份原始材料,不能简单按网页数量累计支持程度。
-
识别冲突。 对不同 AI 或网页中的矛盾主张分别保存证据,不因多数回答一致就自动确认事实。
-
形成验证结果。 记录当前支持情况、反证、未解决问题和下一步需要补充的证据。
真实 AI 的回答可以通过允许的网页交互方式或人工导入获得。系统自身不使用大模型 API,也不能仅靠模拟提问生成真实 AI 的回答。
同样,不使用搜索 API 时,可以通过公开 Sitemap、站点链接、公开索引页面及允许访问的网页发现内容,但不能保证覆盖整个互联网。
四、概率相关性评分机制
语义库的评分需要区分四个结果。
| 结果 | 回答的问题 |
|---|---|
| 相关性分数 | 内容与当前问题有多相关? |
| 证据支持分数 | 已收集证据对主张支持到什么程度? |
| 概率估计 | 在已验证样本和校准方法适用的条件下,主张通过核验的概率是多少? |
| 验证状态 | 当前主张是得到支持、遭到反驳、存在冲突还是尚未核实? |
相关性可以先采用加权模型:
其中 \(s_i\) 是归一化指标,\(w_i\) 是通过验证实验确定的权重。
概率估计则需要历史核验样本:
其中 \(Y\) 表示是否通过既定核验标准,\(X\) 是相关性、证据质量、来源独立性、时效性等特征。
实施规则:
-
初期只输出相关性分数及各项指标。
-
累积具有明确核验标签的样本。
-
使用独立测试数据评估概率校准效果。
-
校准效果不合格时,不输出可被解释为可靠概率的数值。
-
无论分数多高,都保留反证、来源和验证状态。
五、实时更新与版本管理
实时语义库需要区分“新增内容”“证据变化”和“结论变化”,不能每次抓取网页都直接覆盖已有结果。
新增材料
创建新的语义单元,记录来源、获取时间和关联目标。
证据更新
重新检查相关证据、来源状态、时效性和相关性评分。
结论发生变化
保留旧版本、更新原因和新证据,不删除历史判断依据。
出现新冲突
将相关主张标记为需要复核,而不是自动选择最新或数量最多的来源。
用户之前确定的学习循环规则也继续保留:完成一轮或多轮学习后,将最终成果交给用户;需要继续学习时,由用户人工重新导入之前保存的资料或数据包,不自动调用历史数据。
六、与现有 PHP 项目的实施规划
依据已提供的代码,建议将开发划分为六个阶段。
| 阶段 | 工作内容 | 验收标准 |
|---|---|---|
| 第一阶段 | 检查现有语义引擎和资源模型 | 明确输入、输出、存储及调用关系 |
| 第二阶段 | 实现动态问题与公开网页发现 | 不固定字段,生成正确的行业 + 字段、分类 + 字段组合 |
| 第三阶段 | 实现语义单元与证据关联 | 内容可追溯,来源和上下文完整 |
| 第四阶段 | 实现相关性评分 | 各项指标可解释,评分依据可查看 |
| 第五阶段 | 实现交叉验证与概率校准 | 区分支持、反驳、冲突和待验证状态 |
| 第六阶段 | 实现实时更新与查询应用 | 版本可追踪,更新不破坏既有结构化流程 |
当前已知代码的职责边界
-
StructureDefinitionModel.php:提供动态结构定义。 -
KnowledgeModel.php:保存和管理知识元素。 -
SemanticResourceModel.php:管理语义资源数据。 -
SemanticUnderstandingEngine.php:读取资源、清理内容、拆分语义单元和生成候选内容。 -
LearningKernel.php:协调学习和语义处理流程。
现阶段不应直接认定这些模型已经具备完整的语义库、证据关联或概率校准能力;这些能力需要根据实际代码逐项验证。
七、第一阶段的具体执行任务
先做现状审计,再进入代码修改。需要检查:
-
SemanticUnderstandingEngine.php的完整当前版本。 -
SemanticResourceModel.php的实际数据格式及调用位置。 -
LearningKernel.php的语义处理调用链。 -
storage/data/中相关 JSON 文件的实际内容与现有数据结构。 -
当前项目是否已经有网页采集入口、任务执行机制和更新记录机制。
审计完成后,先确定最小新增模块及接口,再分阶段实施。不先重写核心文件,不擅自新增固定业务字段,也不在缺少验证样本时伪造概率。
最终目标是让 WSaiOS 实时语义库成为一个具有动态结构关联、公开信息采集、证据交叉验证、概率相关性评分、语义关系组织和历史可追溯能力的独立知识层,为后续结构智能的知识匹配、组合运算与决策提供依据。