📊 系统现状 — 实时数据 [更新: 2026年07月31日 18:09]

📈 实体类型分布 [更新: 2026年07月31日 18:09]

🔄 三环自进化闭环 — 进度追踪 [更新: 2026年07月31日 18:09]

🤝 天枢协同生态 — 最新反馈 [更新: 2026年07月31日 18:09]

🗺️ 研发路线图 [更新: 2026年07月31日 18:09]

🎯 核心对标 — 5大国际基准 [更新: 2026年07月31日 18:09]

💡 核心价值 [更新: 2026年07月31日 18:09]

️ 系统架构

整体架构图

                     Internet
                         │
                    Nginx (80/443)
                    ────┬─────────┬───────────
                       │         │           │
                知识库    智能引擎    工作流
                (:6001)    (:6002)    (:6003)
                   │       ╱ │ ╲           │
                   │  ChromaDB  PostgreSQL  │
                   │  (:6004)   (:5432)   │
                   └─────┬──────┴──────────┘
                         │
                    MCP Server
                    (:6005)
                         │
          ═══════════════╧═══════════════════
          Claude / Cursor / 所有AI系统

端口与服务映射

知识图谱

基于 PostgreSQL 的知识图谱引擎，支持实体管理、关系网络、社区检测、路径搜索和知识推荐。

数据模型

核心能力

API 端点

混合检索

融合稠密向量（语义匹配）与 BM25 稀疏向量（关键词匹配）的混合检索引擎，基于 ChromaDB 向量存储。

核心能力

API 端点

智能对话

基于 LLM 的智能 Agent，支持持久化会话管理、SSE 流式对话输出、Wiki 页面生成、内容分析等多种能力。

能力矩阵

流式对话特性

API 端点

️ 工作流引擎

基于 APScheduler + FastAPI 的三重自动化管道：采集 → AI 处理 → 同步存储，串联知识管理的全生命周期。

三重处理管道

预置工作流

管理 API

️ SpiderEngine 无限深度爬虫

知微 的核心知识发现引擎 — 基于 BFS 的无限深度爬虫，自动从多源发现新知识并注入知识图谱。

多源数据源

工作原理

核心特性

• BFS 无限深度 — 不设深度上限，持续发现新实体
• 状态持久化 — PostgreSQL 存储，支持中断恢复
• 速率控制 — 同域名限速 + 信号量并发控制
• 置信度评分 — 深度衰减 + 权重差异化
• 去重机制 — Trigram 模糊匹配 + Jaccard 相似度

LLM 处理管线

API 端点

协议接入

知微 实现了 Model Context Protocol (MCP) 标准协议，任何支持 MCP 的 AI 系统（Claude、Cursor、Cline 等）均可直接接入知识图谱。

连接配置

在你的 AI 客户端中，将以下配置添加到 MCP 设置：

{
  "mcpServers": {
    "知微": {
      "url": "http://wiki.kddauto.com:6005/sse"
    }
  }
}

暴露的 MCP 工具（12个）

研究任务引擎

通过 submit_research_task 提交任意研究主题，系统自动执行完整流程：

返回 task_id，可通过 get_research_status 随时查询进度和结果。

MCP Server HTTP 端点

智能监控

系统健康评分 + 自动告警 + 慢查询追踪 + 实时统计，全方位保障平台稳定运行。

API 端点

进化史记（持久化审计）

v6.1 学习自天枢架构设计的全链路追溯系统，解决监控数据纯内存丢失问题（E016）。6 张 SQLite 审计表，所有操作不可抵赖。

核心特性

• 全量持久化 — 所有审计数据写入 SQLite，服务重启不丢失
• 自动记录 — 基于 FastAPI 中间件，每次请求自动写入操作和错误
• 双存储策略 — MonitorService 保留内存层做快速实时查询，进化史记作为持久化备份层
• 时间线合并 — 操作/错误/事件三合一时间线视图
• 每日快照 — 自动生成每日统计摘要

API 端点

AI自我进化闭环 — 三环驱动

参照 Hermes Agent、AgentEvolver、Darwin Gödel Machine 等最新研究，构建让AI持续自我改进的三环系统。

三环架构

三环从内向外递进：测得出问题 → 帮得上忙 → 改得了自己。串联后形成完整自进化闭环。

内环：让AI来测AI — 自动化评测

中环：让AI帮助AI — 协同互助

外环：让AI提升AI — 递归自我进化

自进化递归闭环

  每日定时 / 事件触发
       │
       
  ┌──────────────────────────────────────┐
  │   内环: 让AI来测AI                    │
  │   Auto-Evaluation → 质量评分 → 缺陷  │
  └──────────────┬───────────────────────┘
                 │ 发现缺陷
                 
  ┌──────────────────────────────────────┐
  │   中环: 让AI帮助AI                    │
  │   Peer Review → 协同改进 → 经验迁移   │
  └──────────────┬───────────────────────┘
                 │ 形成改进方案
                 
  ┌──────────────────────────────────────┐
  │   外环: 让AI提升AI                    │
  │   技能创建 → Prompt优化 → 反思归因    │
  └──────────────┬───────────────────────┘
                 │ 自改进完成
                 
  ┌──────────────────────────────────────┐
  │   回到内环: 验证改进效果               │
  │   重新评测 → 对比Baseline → 确认收敛   │
  └──────────────────────────────────────┘
  

接入方式

知微 提供多种接入方式，适应不同场景和系统的集成需求。

三种接入方式

# 查询知识实体
curl "http://wiki.kddauto.com:6002/api/kg/entities?query=AI"

# RAG 知识问答
curl -X POST "http://wiki.kddauto.com:6002/api/rag/query" \
  -H "Content-Type: application/json" \
  -d '{"query":"什么是GraphRAG?"}'

# 流式对话
curl "http://wiki.kddauto.com:6002/api/agent/chat/stream?message=知识图谱有哪些类型"

{
  "mcpServers": {
    "知微": {
      "url": "http://wiki.kddauto.com:6005/sse"
    }
  }
}

# JavaScript 前端示例
const eventSource = new EventSource(
  `http://wiki.kddauto.com:6002/api/agent/chat/stream?message=你好`
);
eventSource.onmessage = (event) => {
  const data = JSON.parse(event.data);
  if (data.token) console.log(data.token);  // 逐 token 输出
  if (data.session_id) console.log("会话ID:", data.session_id);
  if (data.done) eventSource.close();
};

快速开始

5 分钟快速了解如何使用 知微 AI Agent 的核心功能。

1. 知识查询

通过 API 快速查询知识图谱：

# 搜索实体
curl "http://wiki.kddauto.com:6002/api/kg/entities?query=机器学习"

# 查看实体详情
curl "http://wiki.kddauto.com:6002/api/kg/entities/1"

# 全局搜索（一站式入口）
curl "http://wiki.kddauto.com:6002/api/kg/global-search?query=大语言模型"

2. 智能对话

开始一次持久化的知识对话：

curl "http://wiki.kddauto.com:6002/api/agent/chat/stream?message=请介绍一下知识图谱的概念"

# 返回示例（SSE 流式）：
# data: {"token":"知识","session_id":"abc123"}
# data: {"token":"图谱","session_id":"abc123"}
# data: {"token":"是...","session_id":"abc123"}
# data: {"done":true,"session_id":"abc123"}

# 续接会话（携带 session_id）：
curl "http://wiki.kddauto.com:6002/api/agent/chat/stream?session_id=abc123&message=它有哪些应用？"

3. RAG 知识问答

curl -X POST "http://wiki.kddauto.com:6002/api/rag/query" \
  -H "Content-Type: application/json" \
  -d '{"query":"AI Agent 的分类有哪些？"}'

curl -X POST "http://wiki.kddauto.com:6002/api/rag/graph-query" \
  -H "Content-Type: application/json" \
  -d '{"query":"知识图谱社区检测"}'
# GraphRAG 全管道：向量 + 图谱 + 社区 + 推荐

4. 从 MCP 工具调用

在支持 MCP 的 AI 客户端中，安装配置后直接使用自然语言：

# 示例：在 Claude 中说：
"搜索知识图谱中关于 GraphRAG 的信息"
"帮我分析一下 知微 平台的实体数据"
"推荐与'大语言模型'相关的知识实体"
"提交一个关于2026年AI趋势的研究任务"

对话助手使用指南

知微 的 AI 对话助手是一个智能知识交互界面，融合了知识图谱、RAG 检索和 LLM 能力。

对话流程

对话 API 调用示例

# 1. 发起新对话（自动创建 session）
curl "http://wiki.kddauto.com:6002/api/agent/chat/stream?message=什么是知识图谱？"

# 2. 续接对话
curl "http://wiki.kddauto.com:6002/api/agent/chat/stream?session_id=xxx&message=它的应用场景有哪些？"

# 3. 查看会话历史
curl "http://wiki.kddauto.com:6002/api/agent/chat/session/xxx"

# 4. 列出所有会话
curl "http://wiki.kddauto.com:6002/api/agent/chat/sessions"

# 5. 删除会话
curl -X DELETE "http://wiki.kddauto.com:6002/api/agent/chat/session/xxx"

事件推送格式

专题总览 · 知微情报知识体系

知微已建立 8个分类 28+专题、涵盖港股IPO·18C特专科技·美妆投资·亳州大健康·零售无人化·对标分析·翼菲科技·其他研究八大方向。每个专题通过 topic_entity_mapping.json 关联到知识图谱实体，实现情报自动聚合。系统版本 v8.8.0，知识图谱 2,443实体 / 307万+关系。

专题一览

款多多知识图谱实体体系

2026-05-23通过专题注入工程建立统一 kdd:company 核心实体网络：

关系链（四元闭环）

kdd:company owns_system → system:tianshu  (控制平面 — 88Agent编排调度)
kdd:company owns_system → system:lingshu (生产层 — Agent工业化)
kdd:company owns_system → system:zhongshu (业务层 — 品牌运营)
tianshu orchestrates → lingshu | zhongshu
lingshu deploys_to → zhongshu
zhongshu feeds_back_to → tianshu
kdd:company uses_technology → AI智能选品/动态定价/需求预测/补货/推荐/促销
kdd:company has_project → 南京/黄岩/亳州/宠物
kdd:company competitor_of → 山姆极速达/盒马鲜生

完整数据文件：data/topic_entity_mapping.json ↗

API 参考总览

知微 AI Agent 全部 API 端点汇总（共 50+ 个），全部通过 HTTP 访问，服务地址：http://wiki.kddauto.com:6002

知识图谱 API

RAG 检索 API

AI Agent 对话/生成 API

SpiderEngine 爬虫 API

监控 API

知识发现流程

知微 实现了从自动发现到智能注入的端到端知识发现链路。

SpiderEngine 自动发现

知识发现是 知微 的"饥饿"状态 — 永不满足于现有的知识，持续探索未知领域。

知识图谱缺口检测

工作流 knowledge_gap_discovery（每6小时）自动检测：

• 孤立实体 — 与图谱无关联的实体（高严重度）
• 缺失主体 — 前沿技术主题在知识图谱中缺失（如 GraphRAG、Multi-Agent、MCP 协议等）
• 检测结果同步到 Wiki 页面

脑图可视化

已发现的实体可通过脑图快速浏览关联关系：

# 生成实体脑图（Mermaid）
curl "http://wiki.kddauto.com:6002/api/mindmap/entity?name=知识图谱&depth=2"

# 全行业脑图概览
curl "http://wiki.kddauto.com:6002/api/mindmap/industry"

知识修复流程

知识图谱不是一成不变的静态数据 — 知微 具备自我诊断和自动修复能力。

自动修复工作流

knowledge_auto_fill（每日 2:00 执行）自动修复知识缺陷：

去重与置信度机制

• Trigram 模糊匹配 — 避免重复创建同名实体
• Jaccard 相似度 — 中文字符加权，准确识别近似实体
• 置信度提升 — 若已有实体置信度低于新实体，自动升级
• 深度衰减 — BFS 爬虫越深，置信度适当降低

应用场景

知微 的知识管理系统适应多种业务场景，以下是一些典型应用案例。

# 一站式文章处理（摘要+标签+分类）
curl -X POST "http://wiki.kddauto.com:6002/api/agent/process-article" \
  -H "Content-Type: application/json" \
  -d '{"title":"GraphRAG技术详解","content":"...文章内容..."}'

# AI 生成 Wiki 页面
curl -X POST "http://wiki.kddauto.com:6002/api/agent/generate" \
  -H "Content-Type: application/json" \
  -d '{"title":"2026年AI趋势","template":"technology"}'