# LambdaRAG: 统一知识检索方案

## Context

综合 RAG v1 (BM25)、RAG v2 (Hybrid)、RAG Fusion (Multi-query)、Wiki (知识图谱) 四种方案的优势，结合 lambdagentpaas 平台的三层抽象 (Skill → Pattern → Orchestration) 和 Lambda DSL，设计一个统一的自适应知识检索系统。

核心理念：**不同问题用不同策略，由 Orchestrator 智能路由，利用 entity 关系图谱增强跨文档推理。**

---

## 一、架构总览：三层抽象

```
┌─────────────────────────────────────────────────────────┐
│  Layer 3: Orchestration (编排层)                         │
│                                                         │
│  QueryClassifier >> Route({                             │
│    fact     → Pipeline(keyword_search),                 │
│    compare  → Pipeline(graph_expand >> fusion_search),  │
│    relation → Pipeline(graph_walk >> wiki_query),       │
│    synthesis→ fan_out_merge(wiki, fusion, graph),       │
│    temporal → Pipeline(time_filter >> keyword_search),  │
│  }) >> KnowledgeFeedback                                │
│                                                         │
├─────────────────────────────────────────────────────────┤
│  Layer 2: Pattern (组合模式层)                           │
│                                                         │
│  Pipeline:       skill1 >> skill2 >> skill3             │
│  fan_out_merge:  Par(s1, s2, s3) >> merge               │
│  map_reduce:     split >> Par(process...) >> reduce     │
│  review:         generate >> check >> (retry or pass)   │
│  graph_expand:   entity_extract >> bfs_walk >> expand   │
│                                                         │
├─────────────────────────────────────────────────────────┤
│  Layer 1: Skill (原子能力层)                             │
│                                                         │
│  bm25_search      向量检索 embedding_search             │
│  query_expand      rerank        graph_walk             │
│  wiki_page_read    entity_extract  relation_lookup      │
│  time_filter       citation_check  fact_extract         │
│  answer_generate   merge_results   cost_track           │
│                                                         │
└─────────────────────────────────────────────────────────┘
```

---

## 二、Layer 1: Skill 原子能力

每个 Skill 是一个独立的 Lambda Term (Lam 或 Tool)，单一职责。

### 检索类 Skill

| Skill | 类型 | Lambda | 输入→输出 | 成本 |
|-------|------|--------|----------|------|
| `bm25_search` | Tool | λq. BM25(q, top_k) | str → [chunk] | 0, <10ms |
| `embedding_search` | Tool | λq. cosine(embed(q), vectors) | str → [chunk] | $0.0001, ~100ms |
| `wiki_page_read` | Tool | λq. read_wiki_pages(q) | str → [page_content] | 0, <50ms |
| `relation_lookup` | Tool | λe. graph.neighbors(e) | entity → [relation] | 0, <10ms |

### 处理类 Skill

| Skill | 类型 | Lambda | 说明 |
|-------|------|--------|------|
| `query_expand` | Lam | λq. LLM(q) → [q1..qN] | 用本地 vLLM 扩展查询 |
| `entity_extract` | Lam | λq. LLM(q) → [entities] | 从查询中提取实体 |
| `rerank` | Tool | λ(q, docs). API(q, docs) → [ranked_docs] | SiliconFlow rerank API |
| `time_filter` | Tool | λ(q, docs). filter(docs, date) | 按时效性过滤 |
| `rrf_merge` | Tool | λ([list1, list2..]) → [merged] | RRF 倒数排名融合 |
| `merge_results` | Tool | λ(wiki_r, rag_r) → combined | 合并多源结果 |

### 生成类 Skill

| Skill | 类型 | Lambda | 说明 |
|-------|------|--------|------|
| `answer_generate` | Lam | λ(q, context). LLM → answer | 基于上下文生成回答 |
| `citation_check` | Lam | λ(answer, sources). LLM → verdict | 核查引用准确性 |
| `fact_extract` | Lam | λanswer. LLM → [facts, relations] | 从回答中提取新知识 |

### 图谱类 Skill

| Skill | 类型 | Lambda | 说明 |
|-------|------|--------|------|
| `graph_walk` | Tool | λ(entities, n_hops). BFS → [entities, relations, paths] | N跳图遍历 |
| `graph_expand` | Tool | λ(query, entities). query + related_terms | 用图谱扩展查询范围 |

---

## 三、Layer 2: Pattern 组合模式

### Pattern 1: keyword_search (快速精确)

```
λq. bm25_search(q) >> answer_generate(q, _)
```

适用: fact 类问题 ("2019年船员注册人数")

### Pattern 2: hybrid_search (语义增强)

```
λq. Par(bm25_search(q), embedding_search(q)) >> rrf_merge >> rerank(q, _)
```

适用: 需要语义理解但单一查询够用的问题

### Pattern 3: fusion_search (多视角)

```
λq. query_expand(q) → [q1..qN]
     >> map(qi → hybrid_search(qi))
     >> rrf_merge
     >> rerank(q, _)
```

适用: 复杂对比类问题，表达方式影响检索结果

### Pattern 4: graph_retrieval (关系增强)

```
λq. entity_extract(q) → [entities]
     >> graph_walk(entities, 2) → [expanded_entities, relations]
     >> graph_expand(q, expanded_entities) → expanded_query
     >> hybrid_search(expanded_query)
```

适用: 关系类问题 ("海事局的上级部门是谁")

### Pattern 5: wiki_deep (编译知识)

```
λq. wiki_page_read(q) → [wiki_pages]
     >> If(sufficient(wiki_pages),
           then_= answer_generate(q, wiki_pages),
           else_= gap_fill(q, wiki_pages))
```

其中 gap_fill:
```
λ(q, wiki). missing_topics(q, wiki)
     >> fusion_search(missing)
     >> merge_results(wiki, fusion)
```

适用: 综合性问题，wiki 已有部分知识但不完整

### Pattern 6: synthesis (全量综合)

```
λq. fan_out_merge(
       wiki_deep(q),
       graph_retrieval(q),
       fusion_search(q)
     ) >> merge_deduplicate >> review(citation_check)
```

适用: 跨文档综合分析 ("总结海事局近年政策方向")

### Pattern 7: temporal_search (时效性)

```
λq. extract_time_range(q)
     >> bm25_search(q)
     >> time_filter(results, time_range)
     >> answer_generate
```

适用: "琼州海峡定线制最新版本何时施行"

---

## 四、Layer 3: Orchestration 编排

### 4.1 查询分类器 (智能路由)

```python
# 规则快速分类 (零成本)
def fast_classify(query):
    if re.search(r'\d{4}年.*多少|数量|人数|统计', query): return "fact"
    if re.search(r'异同|比较|区别|对比|不同', query): return "compare"
    if re.search(r'关系|隶属|上级|下级|依据|谁.*管', query): return "relation"
    if re.search(r'最新|修订|变化|趋势|演变', query): return "temporal"
    if re.search(r'总结|综合|梳理|分析.*体系|框架', query): return "synthesis"
    return None  # 无法快速判断

# LLM 精确分类 (有成本但准确)
classifier_lam = Lam("classify", """
分类用户问题为以下之一:
- fact: 事实查找 (具体数字/日期/名称/条款)
- compare: 对比分析 (两个以上事物的异同)
- relation: 关系查询 (实体间的关系、层级、依据)
- synthesis: 综合分析 (跨文档总结、体系梳理)
- temporal: 时效相关 (最新版本、变化趋势、修订历史)

同时提取问题中的关键实体。

输出JSON: {"type":"...", "entities":["..."], "confidence": 0.9}
""")

# 自适应分类: 先试规则，不确定时用 LLM
adaptive_classifier = If(
    cond=Tool("try_fast", fast_classify),  # 返回非 None 表示成功
    then_=Tool("identity", lambda x: x),   # 用快速结果
    else_=classifier_lam                    # 回退 LLM
)
```

### 4.2 问题类型 → 策略映射

| 问题类型 | 策略 (Pattern) | 为什么 | 示例 |
|---------|---------------|-------|------|
| **fact** | keyword_search | 精确匹配，快速，零成本 | "2019年船员注册总数" |
| **compare** | graph_expand >> fusion_search | 图谱找到两个实体的关联文档，多视角检索覆盖两侧 | "海上交通安全法与水污染防治法异同" |
| **relation** | graph_walk >> wiki_query | 图谱直接回答关系，wiki 补充细节 | "海事局的职责和上级部门" |
| **synthesis** | fan_out_merge(wiki, fusion, graph) | 三路并行获取最大信息量 | "总结船员管理法规体系" |
| **temporal** | time_filter >> keyword_search | 时间过滤确保获取最新版本 | "琼州海峡定线制最新规定" |

### 4.3 完整编排 Lambda 表达式

```python
unified_retrieval = Compose(
    # Step 0: 分类
    adaptive_classifier,
    
    # Step 1: 路由到对应策略
    Route(
        classifier=identity,
        routes={
            "fact":      Compose(bm25_search, answer_generate),
            
            "compare":   Compose(
                            entity_extract,
                            graph_walk,
                            graph_expand,
                            fusion_search,
                            Guard(answer_generate, citation_check, retry=1)
                         ),
            
            "relation":  Compose(
                            entity_extract,
                            graph_walk,
                            Par(wiki_page_read, relation_lookup),
                            merge_results,
                            answer_generate
                         ),
            
            "synthesis": Compose(
                            Par(
                                Compose(wiki_page_read, answer_generate),
                                Compose(entity_extract, graph_walk, fusion_search),
                            ),
                            merge_results,
                            Guard(answer_generate, citation_check, retry=1)
                         ),
            
            "temporal":  Compose(
                            time_filter,
                            bm25_search,
                            answer_generate
                         ),
        },
        default=Compose(fusion_search, answer_generate),  # 兜底
    ),
    
    # Step 2: 知识反馈 (仅多源回答触发)
    If(
        cond=Tool("has_multi_source", lambda r: r.count("[来源:") >= 2),
        then_=Compose(fact_extract, update_wiki, update_relations),
        else_=identity
    ),
)
```

### 4.4 效果类型注解

```
fact:      io                              (纯 BM25)
compare:   llm · io · (io ∥ io) · llm     (classify + graph + par_search + generate)
relation:  llm · io · (io ∥ io) · llm     (classify + graph + par(wiki,relation) + generate)
synthesis: llm · ((io · llm) ∥ (llm · io · io)) · llm  (最复杂)
temporal:  io · io · llm                   (filter + search + generate)
```

---

## 五、Entity 关系图谱核心设计

### 5.1 数据结构

```python
class EntityGraph:
    # 邻接表: entity → [(relation_type, target, source_doc, description)]
    adjacency: Dict[str, List[Tuple]]
    # 反向邻接: entity → [(relation_type, source_entity, source_doc)]
    reverse: Dict[str, List[Tuple]]
    # 实体元数据: entity → {type, refs_count, wiki_page_path}
    entities: Dict[str, Dict]
    
    def walk(self, seeds, max_hops=2, max_nodes=20):
        """BFS N-hop 遍历，返回子图"""
    
    def find_entities(self, text):
        """从文本中模糊匹配已知实体"""
    
    def shortest_path(self, entity_a, entity_b):
        """两实体间最短关系路径"""
    
    def subgraph(self, entities):
        """提取包含指定实体的子图"""
```

### 5.2 关系增强检索流程

```
Q: "海上交通安全法与水污染防治法在船舶管理方面有何异同？"

Step 1: entity_extract → ["海上交通安全法", "水污染防治法", "船舶管理"]

Step 2: graph_walk(entities, hops=2)
  海上交通安全法 --规定--> 船舶航行安全
  海上交通安全法 --发布机构--> 全国人大常委会
  海上交通安全法 --涉及--> 船员管理
  水污染防治法 --规定--> 船舶排放标准
  水污染防治法 --发布机构--> 全国人大常委会
  水污染防治法 --涉及--> 海洋环境保护
  船舶管理 --相关法规--> 防治船舶污染海洋环境管理条例
  
Step 3: graph_expand → 扩展查询增加:
  "船舶航行安全", "船舶排放标准", "船员管理", "海洋环境保护"

Step 4: fusion_search (原始query + 扩展terms)
  → 现在能检索到法律原文，而不仅是行政检查清单

Step 5: answer_generate with relations context
  → 回答中自然包含关系链信息
```

### 5.3 关系在回答中的作用

```
Prompt 增强:

## 实体关系 (来自知识图谱)
- 海上交通安全法 --发布机构--> 全国人大常委会
- 海上交通安全法 --规定--> 船舶航行安全
- 水污染防治法 --发布机构--> 全国人大常委会  
- 水污染防治法 --规定--> 船舶排放标准
- 两法 --共同涉及--> 船舶管理

## 检索到的文档片段
[doc1: 海上交通安全法原文] ...
[doc2: 水污染防治法原文] ...

## 问题
海上交通安全法与水污染防治法在船舶管理方面有何异同？
```

---

## 六、新增/修改文件清单

### 新增文件

| 文件 | 位置 | 说明 |
|------|------|------|
| `graph_engine.py` | `qaagent67/scripts/` | EntityGraph 类 + graph_walk/expand |
| `search_engine_v2.py` | `qaagent67/scripts/` | 混合检索 (BM25+Embedding+Rerank) |
| `search_engine_fusion.py` | `qaagent67/scripts/` | RAG Fusion (Multi-query) |
| `search_unified.py` | `qaagent67/scripts/` | 统一入口: 分类→路由→策略→反馈 |
| `build_vector_index.py` | `qaagent67/scripts/` | 向量索引构建 |

### 修改文件

| 文件 | 改动 |
|------|------|
| `agent-config.yml` | 新增 retrieval 配置段 |
| `qademo/app.py` | import 改为 `from search_unified import search` |

### 不动的文件

| 文件 | 说明 |
|------|------|
| `search_engine.py` | BM25 v1，被 v2 内部调用 |
| `wiki_compile.py` | Wiki 编译，已有关系提取 |
| `rebuild_index.py` | 旧索引构建，保留参考 |

---

## 七、agent-config.yml 配置

```yaml
# 统一检索配置
retrieval:
  mode: unified

  # Layer 1: Skills
  skills:
    bm25:
      enabled: true
      topK: 10
    embedding:
      enabled: true
      model: bge-m3
      backend: npu                        # 本地 NPU 推理 (免费)
      baseUrl: http://127.0.0.1:11435/api/embed
      batchSize: 32
      dimensions: 1024
    rerank:
      enabled: true
      backend: vllm                       # 用本地 vLLM qwen2.5-32b 做 rerank
      baseUrl: http://127.0.0.1:8000/v1
    graph:
      enabled: true
      relationsFile: wiki/relations.json
      maxHops: 2
      maxExpand: 20
    wiki:
      enabled: true
      dir: wiki/

  # Layer 2: Patterns
  patterns:
    keyword_search:
      skills: [bm25]
    hybrid_search:
      skills: [bm25, embedding]
      merge: rrf
      rrfK: 60
    fusion_search:
      skills: [bm25, embedding]
      merge: rrf
      queryExpansion: true
      expansionCount: 4
    graph_retrieval:
      skills: [graph, hybrid_search]
    wiki_deep:
      skills: [wiki, hybrid_search]
      gapFill: true

  # Layer 3: Orchestration
  orchestration:
    classifier:
      fastClassify: true          # 规则优先
      llmFallback: true           # 规则不确定时用 LLM
    routing:
      fact: keyword_search
      compare: [graph_retrieval, fusion_search]
      relation: [graph_retrieval, wiki_deep]
      synthesis: [wiki_deep, fusion_search, graph_retrieval]
      temporal: [keyword_search]
      default: hybrid_search
    feedback:
      enabled: true
      minSources: 2
    cost:
      budgetPerQuery: 0.05
      fallback: keyword_search
```

---

## 八、实施顺序

| 阶段 | 内容 | 依赖 |
|------|------|------|
| 1 | `graph_engine.py` — 实体关系图谱 | relations.json (Wiki 编译产出) |
| 2 | `search_engine_v2.py` — 混合检索 | SiliconFlow API + numpy |
| 3 | `build_vector_index.py` — 构建向量索引 | search_engine_v2 |
| 4 | `search_engine_fusion.py` — RAG Fusion | search_engine_v2 + vLLM |
| 5 | `search_unified.py` — 统一编排 | 以上全部 |
| 6 | `app.py` 改 1 行 import | search_unified |

每阶段独立可用，逐层叠加。

---

## 九、预期效果

| 问题类型 | 当前 (BM25) | 统一方案 | 提升原因 |
|---------|------------|---------|---------|
| "2019年船员注册人数" | ✅ 准确 | ✅ 准确 (fact→BM25快速路径) | 不退化 |
| "海上交通安全法与水污染防治法异同" | ❌ 检索到行政清单 | ✅ 检索到法律原文 | graph_expand + fusion |
| "海事局的职责" | ⚠️ 部分 | ✅ 完整 (含上下级关系) | relation_lookup + wiki |
| "船员管理法规体系梳理" | ❌ 碎片化 | ✅ 体系化 | synthesis 三路并行 |
| "琼州海峡定线制最新版本" | ⚠️ 新旧混淆 | ✅ 最新版 | temporal_filter |

---

## 十、自增强学习机制 (越用越好)

核心理念：**每次用户查询都是一次学习机会**，系统从使用中积累知识、优化检索、改进路由。

### 10.1 四维自增强闭环

```
用户查询 → 检索 → LLM 回答 → 反馈信号
                                 │
         ┌───────────────────────┼───────────────────────┐
         ↓                       ↓                       ↓
    知识积累                  检索优化                 路由优化
         │                       │                       │
  ① Wiki 更新              ③ Query-Doc 对           ⑤ 路由权重
  ② 关系图谱扩展           ④ 同义词表               ⑥ 策略成功率
    新实体发现                 BM25 Boost               分类校准
```

### 10.2 维度一：知识积累 (Wiki Feedback Loop)

每次**多源回答**自动提取新知识写回 Wiki：

```python
# Lambda: If(has_multi_source, Compose(fact_extract, update_wiki, update_graph), identity)

def knowledge_feedback(query, answer, sources):
    # 触发条件: 回答引用了 2+ 来源
    if answer.count("[来源:") < 2:
        return  # 跳过单源简单回答
    
    # ① 新实体发现: 回答中出现但图谱中不存在的实体
    new_entities = extract_entities(answer) - graph.known_entities
    # → 写入 wiki/entities/
    
    # ② 新关系发现: 从回答中提取实体间关系
    # "海上交通安全法由全国人大常委会制定" 
    #   → (海上交通安全法, 制定机构, 全国人大常委会)
    new_relations = extract_relations(answer)
    # → 追加 relations.json + 更新 entity 页面
    
    # ③ 跨文档综合: 多源综合的新知识
    synthesis = summarize_cross_doc(query, answer, sources)
    # → 写入 wiki/analyses/{query_hash}.md
```

**效果**: 图谱越丰富 → graph_walk 覆盖越广 → 检索越准 → 回答越好 → 产生更多新知识

### 10.3 维度二：检索优化 (Relevance Learning)

```python
# 每次查询记录 query-doc 关联
query_log = {
    "query": "海上交通安全法与水污染防治法",
    "type": "compare",
    "strategy": "graph_retrieval",
    "top_docs": ["海上交通安全法.txt", "水污染防治法.txt"],
    "scores": [0.85, 0.82],
    "response_quality": "good",  # 可选: 用户反馈/LLM 自评
    "timestamp": "2026-04-06T13:00:00"
}
```

**用途:**

| 机制 | 说明 | Lambda 表达 |
|------|------|------------|
| **热门缓存** | 相同问题直接返回 | `If(in_cache, cache_hit, full_search)` |
| **同义词表** | "异同"↔"区别"↔"对比" 从 query_expand 积累 | 扩展 BM25 tokenizer |
| **BM25 Boost** | 高频 query-doc 对加权 | 修改 IDF 分数 |
| **失败记录** | 检索失败的 query 触发 Wiki 补充 | 异步 wiki_compile |

### 10.4 维度三：路由优化 (Strategy Learning)

```python
# 记录每种分类+策略的效果
routing_stats = {
    "fact → keyword_search":      {"total": 50, "success": 48, "avg_time": 0.5},
    "compare → graph_retrieval":  {"total": 20, "success": 18, "avg_time": 3.2},
    "compare → fusion_search":    {"total": 10, "success": 6,  "avg_time": 5.1},
}

# 动态调整路由权重
def adaptive_route(query_type):
    candidates = routing_stats.get_strategies(query_type)
    # 选成功率最高 + 耗时最短的策略
    return max(candidates, key=lambda s: s.success_rate * 0.7 + (1/s.avg_time) * 0.3)
```

**效果**: 系统自动发现哪种策略对哪类问题最有效，逐渐优化路由决策。

### 10.5 维度四：分类校准

```python
# 当用户纠正或回答不满意时，记录分类错误
# 例: "琼州海峡定线制" 被分为 fact 但实际需要 temporal
correction_log = {
    "query": "琼州海峡定线制",
    "predicted_type": "fact",
    "correct_type": "temporal",  # 从回答质量推断
}

# 积累后: 更新规则分类器的模式
# re.search(r'定线制', q) → 'temporal' (新增规则)
```

### 10.6 存储结构

```
knowledge/maritime/
  feedback/
    query_log.jsonl           # 查询日志 (append-only, 每次追加)
    synonym_map.json          # 同义词映射 (从 query_expand 积累)
    query_cache.json          # 热门查询缓存 (LRU, max 1000)
    routing_stats.json        # 路由策略统计 (per type × strategy)
    classification_rules.json # 学习到的分类规则
```

### 10.7 增强触发时机

| 触发条件 | 动作 | Lambda 表达 |
|---------|------|------------|
| 回答引用 2+ 来源 | 提取新知识→Wiki | `If(multi_source, feedback, identity)` |
| 每次查询完成 | 记录 query log | `Compose(search, log_query)` |
| 相同查询出现 3+ 次 | 加入热门缓存 | `Tool("cache_check")` |
| 检索结果为空 | 触发补充索引 | `If(empty_results, trigger_reindex, pass)` |
| 每 100 次查询 | 更新路由统计 | `Tool("update_routing_stats")` |
| Wiki 编译完成 | 刷新图谱缓存 | `Tool("reload_graph")` |

### 10.8 实现优先级

| 机制 | 难度 | 影响 | 优先级 |
|------|------|------|--------|
| 查询日志 (JSONL) | 低 | 数据基础 | **P0** |
| Wiki 新关系写回 | 低 | 图谱持续增长 | **P0** |
| 热门查询缓存 | 低 | 重复查询加速 | **P1** |
| 路由成功率统计 | 中 | 自动调优路由 | **P1** |
| 同义词表积累 | 中 | 扩展检索覆盖 | **P2** |
| 分类规则学习 | 中 | 减少 LLM 分类 | **P2** |
| BM25 Boost | 高 | 检索精度提升 | **P3** |

### 10.9 飞轮效应

```
更多查询 → 更多 query log → 更好的路由
         → 更多知识反馈 → 更丰富的 Wiki + 图谱
         → 更准的检索 → 更好的回答
         → 用户更多使用 → 更多查询 ...
```

---

## 十一、Wiki 编译优化项

### 11.1 时间规范化 (Temporal Normalization)

**问题**: 文档中大量相对时间表达（"近年来"、"本规定自发布之日起施行"、"去年"），导致 temporal 类查询无法精确匹配。

**方案**: 在 wiki_compile.py 的 LLM prompt 中增加时间规范化指令：

```
## 时间规范化要求
文档中所有相对时间表述，必须根据文件的发布日期转换为绝对时间：
- "自发布之日起施行" → "自{文件发布年份}起施行"
- "近年来" → "{发布年份前2-3年}至{发布年份}"  
- "去年" → "{发布年份-1}年"
- "现行有效" → "截至{文件日期}现行有效"
- "经最新修订" → "经{具体修订年份}年修订"

文件名中通常包含施行日期，如：
  "2017年8月31日起施行--交通运输部关于..."
  → 发布日期=2017年，所有相对时间以此为基准
```

**实现**: 
1. 从文件名中提取日期（正则 `\d{4}年\d+月\d+日`）
2. 将日期注入 prompt：`文件发布日期: {date}`
3. LLM 在摘要中将所有相对时间转为绝对时间

**影响**: temporal 类查询准确率预计从 82% → 92%+

### 11.2 Wiki 质量提升路径

| 优化 | 效果 | 依赖 |
|------|------|------|
| 时间规范化 | temporal 准确率 +10% | 修改 prompt |
| 换更强模型重编译 | 摘要质量、关系准确率全面提升 | 72B 模型或 API |
| 关系质量过滤 | 去除泛化关系（如"实行社会主义制度"） | 规则过滤 |
| 实体去重/合并 | "XX海事局"合并为具体名称 | 后处理脚本 |

---

## 十二、验证方式

1. 用之前的 5 个标准问题做 A/B 对比
2. `search_unified.py` 独立测试模式: 输出分类结果 + 选中策略 + 检索结果
3. Web 页面显示: 问题分类标签 + 使用的策略 + 耗时分解
4. 降级测试: 关闭各组件验证 fallback 链
5. 自增强验证: 连续问 20 个问题，观察图谱增长和缓存命中率