6+1 Factor Recall Engine（六加一因子召回引擎）

六个核心因子 + 一个可选目标因子，为 wiki 页面评分，找到最相关知识。

使用六个核心因子（外加可选的 goal boost）对 wiki 页面评分，找到最相关的知识。引擎将语义搜索、关键词匹配和图谱关联融合在一次统一的评分过程中。

三种搜索模式合一

模式	做什么	哪些因子
Semantic（语义）	按含义查找，不只是精确匹配	Token overlap
Keyword（关键词）	精确匹配特定术语	Substring match
Graph（图谱）	通过主题关联和类型加权查找	Topic trace + type boost + review bonus

三种模式在每次查询时自动运行。引擎把它们与记忆分数、review 加成结合，生成最终相关性评分。

评分公式

base  = token_overlap_count × 0.3 + substring_bonus + topic_trace_bonus
total = base × type_boost
        + review_bonus
        + memory_score × 0.5
        + goal_boost      # 可选第 7 因子，无 active goal 时为 0

注意：base == 0 时页面直接出局；review 与记忆分数是加法项，不是乘数。

六个核心因子（+ 1 个可选目标因子）

1. Token Overlap（×0.3）

jieba 分词将查询拆分为 token，统计出现在页面（标题+正文+标签）中的个数。

overlap = count(query_tokens 出现在 title+body+tags 中) × 0.3

这是语义层 — 搜索”design patterns”时能找到关于”architectural approaches”的页面，因为 token 重叠捕捉到了共享概念。

2. Substring Match（+1.0 / +0.5）

直接字符串匹配，属于关键词层：

• 标题包含查询字符串：+1.0
• 正文包含查询字符串：+0.5

两者可叠加 — 标题和正文都包含查询的页面获得 +1.5。

3. Topic Trace（+2.0）

如果页面是从特定对话主题创建的，而你用同一个 topic_id 查询，页面获得 +2.0 加成。这是图谱关联 — 将 memory 关联回产生它的对话。

for trace in page.get("traces", []):
    if trace["kind"] == "discuss" and str(trace["id"]) == str(topic_id):
        base += 2.0

4. Type Boost（×1.5 / ×0.8 / ×0.6）

不同知识类型有不同的召回优先级。这是一个乘法因子，不是加法：

类型	Boost	原因
anti-pattern	×1.5	错误最值得召回 — 在重蹈覆辙之前发现它们
strategy	×0.8	策略有用但不如错误紧迫
concept	×0.6	概念是背景知识 — 优先级最低

5. Review Bonus（+2.0 / +1.0）

来自失败决策或负面结果的页面获得加成，因为你需要回忆出了什么问题：

• decision_correct = false：+2.0
• outcome = failure：+1.0

这看似反直觉 — 为什么加成”坏”知识？因为最有价值的知识往往是”我们试了 X 但没用”。回忆失败可以防止重蹈覆辙。

6. Memory Score（+score×0.5）

页面的记忆分数（由记忆曲线计算：年龄衰减、访问次数、重要性、pin）以 加法方式进入相关性：relevance += score × 0.5。

score = importance × e^(-λ × days_old) + 0.5 × ln(1 + access_count) + pin_bonus

• Active 页面获得 ×1.2 乘数
• Archived/dropped 页面为 0.0（从召回中排除）
• 高频访问的页面抵抗衰减
• Pinned 页面获得 +0.5 加成

详见 Decay System。

7. Goal Boost（+0.8 / +0.4，可选）

召回会读取 profiles/goals/ 下 status: active 的 goal（load_active_goals()）， 把当前关注的方向变成一个加法加权。它只作用于已经命中查询（relevance>0）的页面：

• 页面 area ∈ 某 active goal 的 domains：+0.8
• 页面命中某 active goal 的任一 keyword：+0.4

if relevance > 0 and (goal_domains or goal_keywords):
    if page.area in goal_domains:
        relevance += 0.8
    if any(kw in searchable for kw in goal_keywords):
        relevance += 0.4

这是”目标感知召回”的真实实现（不是路线图）。它默认开启但无 active goal 时为 no-op， 不会凭空把无关页面顶上来；只是在你设定方向后，让贡献/研究循环优先看到 on-scope 的策略。 需要关闭时传 goal_boost=False（如做无偏基线对比）。

双路召回

路径	来源	评分
Episodic	raw/ + profiles/	关键词 + 新鲜度（0.95^days_old）
Knowledge	wiki/	6+1 因子相关性 + 记忆曲线
合并	两者	{"episodic": [...], "knowledge": [...]}

# 仅 Knowledge（wiki 页面）
oks search "authentication" --limit 5

# 双路：Episodic（raw/）+ Knowledge（wiki/）
oks recall "authentication" --limit 5

# 记录一次“真正使用”（召回/搜索本身只读、不计数）
oks wiki use <slug>

召回与搜索是只读的：一次查询不算一次使用，不会改动 access_count 或页面状态。 只有 oks wiki use <slug>（在真正注入/采用某页时调用）才 +1，从而驱动记忆曲线与 provisional→active 晋级。这样记忆热度反映的是“真被用上”，而非“被搜过几次”。

实现

源码：cli/knowledge_studio/recall.py

核心函数：

• recall_episodic(query) — 按关键词 + 新鲜度搜索 raw/
• recall_knowledge(query, topic_id) — 通过 6+1 因子评分所有 wiki/ 页面
• recall(query, topic_id) — 合并双路

下一步

• Memories：Memory 结构、类型和创建路径
• Decay System：记忆曲线公式和 tier 分级
• Architecture：认知桶结构

---