企业官网建设流程全解析

• 后端
• 前端
• 人工智能
• RAG
• 知识图谱
• 知识管理
• 搜索引擎

导读

本文基于 Utopia 项目的决策记录 docs/decisions/0007-who-decides-what-becomes-a-relation.md，剖析知识库本体中“关系（relation）”何时、由谁、如何诞生这一核心问题。你将掌握：为何从 10 个种子关系起步时 49.8% 的事实退化为无意义的related_to；为何 LLM 判断“哪些说法值得成为关系”会系统性失误；以及“计数决定采纳（counting decides adoption）”这条确定性路径——通过MIN_DOCS = 2、屈折基归并与文档并集，让同一份语料稳定产出同一个本体，并配套unadopt可撤销机制与PredicateIndex方向修正。

一、背景：种子关系与退化的related_to

1.1 问题的起点

Utopia 是开源的企业级世界模型，其知识库（KB）以“本体（ontology）”为契约。本体中实体之间的连接被称为关系（relation），例如produces、founded_by、invested_in；关系以行记录在relation_types表中（见 migrations/0004_ontology.sql）。

在 0007 决策记录撰写时，一个新知识库从10 个种子关系起步。问题随之而来：模型抽取出的绝大多数关系不在种子列表中，于是退化为related_to——一个“什么也没说”的谓词。实测数据（ai-timeline 语料：15 篇 AI 公司维基百科条目，348 个分块）：49.8%的事实落在related_to上。这个比例是测量台关闭自动扩本体后的数字（run.mjs建库即置auto_extend_ontology=FALSE，而列默认值为 true）——它量的是“缺词汇时降级有多频繁”，正是 crates/utopia-server/src/predicate_match.rs 要减少的部分。

此后，0010 决策 干脆删除了related_to：它把“抽取器发现了一条边但本体没有匹配关系”这一程序状态编码成了本体里的一个内置关系，好像真的有人决定两个事物之间的关系叫“related”——没有人这么决定过。于是：

• facts.predicate_id变为可空；
• 无谓词事实通过 SQL 函数fact_surface_predicate(uuid)回退显示源文档的原文措辞（见 crates/utopia-store/src/graph.rs）；
• 测试 crates/utopia-store/tests/no_predicate_still_shows.rs 守护这条底线：无谓词的事实必须能在每一条读路径上可见。

1.2 旧bootstrap_ontology的六个独立缺陷

bootstrap_ontology（自动扩本体）正是为“缺词汇”设计的，但旧实现“工作得很糟”，决策记录列出六个独立原因，每个都对应一次修复：

这六项修复在迁移与源码中均有对应：例如proposed_predicates的spreadCTE 从全量证据（fact_evidence的proposed_predicate）统计文档数，而非从积压（无谓词的活行）统计——两种口径下 8 个说法分处门槛两侧（按积压是“只在 1 篇”，按全量是“≥2 篇”）。

二、核心决策：计数决定采纳

2.1 模型答错了那个问题

旧路径把“哪些说法值得成为关系”交给 LLM 判断。模型实测答错：

• 漏掉了runs_on——它出现在 8 篇文档、13 条事实中，显然不是判断题；
• 采纳了只在单一文档出现过的pledged_capital。

决策记录因此断言：“模型不是被询问的对象；数据回答了‘哪些措辞配得上成为关系’。”

2.2 三条确定性步骤

counted_relation_groups（见 crates/utopia-server/src/bootstrap_ontology.rs）实现计数采纳，不调用模型：

1. 按屈折基归并：使用predicate_match::merge_key，sued与sues是同一个关系；
2. 取每组的文档并集，绝不求和：同一篇文档可能两种写法都用过，相加会把一个说法单篇顶过“≥2 篇”门槛。实现通过proposed_predicate_documents拿到真实文档 ID 再取并集（见 crates/utopia-store/src/graph.rs）；
3. 过门槛MIN_DOCS = 2：组以出现事实最多的措辞命名。

源码中的门槛常量（crates/utopia-server/src/bootstrap_ontology.rs）：

/// 少于这么多个够格的信号（谓词 + 类型）就不折腾——凑不出像样的提案， /// 白烧一次 LLM 调用。 const MIN_SIGNALS: usize = 3; /// 只采纳出现在这么多篇文档里的说法。**只在一篇里出现过的是那篇文档的用词， /// 不是这个组织的词汇**——而本体会反馈进抽取提示词，一次偶然会变成长期指令。 /// 副作用正好：只有一篇文档时什么都够不着门槛，于是什么也不做，下一篇再试。 const MIN_DOCS: i64 = 2;

测量结果（同一语料，related_to占比）：

2.3 为什么确定性是“最有价值的副作用”

同一个语料产生同一个本体——测量台第一次能对这一阶段做对照实验。此前 B 与 B3 两组差 3 个百分点，无法分辨是修复生效还是运行方差，就因为中间夹着一次 LLM 调用。决策记录强调：“Deterministic adoption is the most valuable side effect.” 同时它也给出审慎的 caveats：LLM 组间差异在运行方差内（同一输入 25 vs 18 实体），只有确定性部分确定（单文档采纳 5 → 0）；related_to占比不是质量指标——全部采纳会最快地降低它，而语料本身在训练数据中密集。

三、模型仍保留的问题：同义归并

3.1 计数答不了“意义”

计数能回答“哪个措辞够普遍”，但回答不了“collaborates_with与partnered_with是不是同一个意思”。这正是fold_by_meaning的工作：对PredicateIndex认不出的说法做一次嵌入，与已有关系的向量比较，距离 ≤FOLD_DISTANCE = 0.20的落到已有关系上，不新建（见 crates/utopia-server/src/bootstrap_ontology.rs）。阈值取紧是有意为之：折错一次是把两个关系永久并成一个，而不折只是多一个关系，后者便宜得多。每个候选的距离都写进日志，以便在真实语料上校准。

3.2 可撤销：unadopt

自动采纳的前提是“错了很便宜”。决策记录写道：“采纳可撤销（见graph::unadopt）：错了点一下就回去，旧事实从来没被销毁过。所以判断轴不是‘有多确信’而是‘错了有多贵’。”

实现细节（crates/utopia-store/src/graph.rs 起）：

• 每次采纳写入fact_adoptions表，记录batch_id、旧/新事实 ID、模式（superseded= 新行取代旧行；merged= 并入已存在行），见 migrations/0003_graph.sql；
• 撤销以批次为单位：unadopt作废新行、复活旧行，但不删除关系类型——它存在过本身就是历史，一个没人用的关系是惰性的。

四、_by：唯一值得处理的反向标记

4.1 数据证据

31 种_by形式，其中founded_by42 条事实；且几乎全部与主动形式共存（produces265 条）。相比之下，has_X/X_of只有两对，证据不足。

4.2 采纳前的PredicateIndex查询

PredicateIndex::lookup（crates/utopia-server/src/predicate_match.rs）在采纳前被咨询，三段匹配、顺序即优先级：

1. 精确 key——原有行为，一字不改；
2. 写法对齐——acquiredFrom/acquired_from/Acquired From是同一个；
3. 屈折归一——produced与produces折到同一串（只削时态与单复数，见inflect_base：-ies→y、-ing、-ed、-s（-ss除外），最后去掉结尾e，长度守卫看削完后的结果）。

第 2、3 步各再试一次“去掉结尾的by”，命中就把主宾对调：

// 被动形：`produced_by` 去掉 by 之后才对得上 `produces`，且主宾要反过来。 // 要求至少两个词——光一个 `by` 削完是空的。 if w.len() >= 2 && w[w.len() - 1] == "by" { if let Some(id) = self.widened(&w[..w.len() - 1]) { return Some((id, true)); } }

撞车就不匹配：本体里同时有produces和produced时，两者折到同一串，选谁都是猜——宁可降级，让人来采纳。只有精确 key 不受此限。测试ambiguous_stem_declines_rather_than_guesses与passive_form_matches_and_asks_for_a_swap分别守护这两条行为。

4.3 采纳时的方向修正与签名检查

采纳路径（adopt_proposed_predicates，crates/utopia-store/src/graph.rs）：

• swap = true时主宾对调：X produced_by Y与Y produces X是同一条边；
• 挂谓词前先过一遍签名（judge_direction，#190）：抽取写入时按 domain 掰正方向或留空，而采纳是第二条写谓词的路——实测不检查会把违反率从 0 抬到 12.3%，全在包关系上；
• 结果三态：合就挂；主语不合宾语合就对调着挂（计数进corrected）；都不合就不挂，事实留在空谓词上，原文说法还在证据里；
• 目标断言已存在则并入而非重复创建（mode = merged）。

历史教训（源码注释）：第一版主宾对调时，SQL 里仍写着subject_id，于是“宾语换了、主语没换，凭空造出一条OpenAI produces OpenAI”。现在主语也显式绑定。

五、merge_key：归并键的边界

5.1 屈折归并，而非词干化

merge_key（crates/utopia-server/src/predicate_match.rs）返回一组合并键，供本体采纳路径把同一个关系的不同时态先并起来再算票数。不并的代价实测可见：sued与sues各 11 和 5 条，各自够不着“≥2 篇”门槛；并起来后，够格候选从 70 组涨到 85 组、281 条涨到 355 条。

介词不并：integrated_with与integrated_into保持两组——works_at与works_in确实可能是两回事，宁可漏。

_by也不并（待做）：founded_by与founded是同一条边的两个方向。当初不并的理由是“采纳路径从旧行原样复制主语，对调不了”——那个理由已在 #109 后不成立。如今缺口只剩一处：两边都还不在本体里时（founded_by42 条、founded4 条，都够票），采纳前的PredicateIndex查询谁也匹配不上，于是各建一个、方向相反。决策记录把它列为 open question，补法是把_by折进同一组并把整组标记为需对调。

5.2 死路：Snowball 词干化

Snowball（rust-stemmers）走错了方向：词表 10 个词时捞回 49 次，换成 schema.org 的 629 个词只剩 18 次——因为它连派生后缀一起削，producer与produces都成了produc，撞车规则于是拒绝匹配。测试derivational_forms_stay_separate_from_inflected_ones守护：producer（一个人）与produces（一个动作）本来就该是两个关系，折到一起是词干器的错，不是撞车规则的错。

5.3 领头的轻动词

has_funding与funding是同一个关系，前缀是命名习惯不是意思。LEADING_AUX列表（has/have/had/is/are/was/were/be/been）只在还剩词时剥：has单独一个词是它自己，不能剥成空。测试a_leading_auxiliary_does_not_make_a_different_relation验证has_funding → funding、product → has_product双向都通。

六、其他死路与修订

6.1 死路清单（决策记录原样）

• 主语多样性替代文档计数：实际更严格（6 增益、33 损失），且 6 个增益大多是并列主语（“A、B 和 C 提出 X”拆成三条事实）。docs >= 2 OR subjects >= 3落入同样问题。
• 每篇文档后自动扩展：“≥2 篇文档”变成“到目前为止”的属性，归并退化——LLM 只有在同时看到acquired/acquires/acquisition_of时才能归并它们。
• 新单文档关系的事实数阈值（≥3）：它准入的前两名是最差的两名（has_property11、intends_to5）；20 组中约 5 组像关系，占 KB 的 1.2%。增长中的 KB 会自己解决；静态语料有手动面板（min_docs = 0）。

6.2 修订与前提变化

• 2026-09-02：两个前提都消失了。种子关系分三步移除（related_to于 0010，另外 8 个于 #125，mapped_to于 0011），种子函数随 #128 一并删除。新 KB 从本体包起步（0008 决策）。上述数字与今天的测量不可比：事实现在可以没有谓词（原词进fact_evidence.proposed_predicate），继任指标——空谓词占比——在 0012 决策 中于不同起点和定义下测得 25.6%。
• 2026-09-02：本体可声明逆关系（#177/#179），方向在写入时修正（#138，留下direction_corrected痕迹）。这不闭合上文的merge_key缺口。
• 2026-09-10：计数路径现在从它已为类与属性读取的提案中取temporal，不再为每个采纳的关系写死state——注释里支持state的理由（“temporal 在 functional 未设置时无后果”）在 0031 之后不再成立，该记录规整每一次写入。计数仍决定“是否”，模型只回答“哪一种”。

proposed_temporal实现（crates/utopia-server/src/bootstrap_ontology.rs）：从提案 JSON 的relation_types段读取temporal（state|event|eternal），按 key 与 forms 双向查询，查不到一律state——三者里最保守的，不会像event那样把valid_to收成一个点。测试a_relation_takes_the_temporal_it_was_proposed_with验证：acquired是event、capital_of是eternal、employs是state，而模型编造的第四值（ongoing）当没说、落回缺省。

七、open questions：计数止步之处

• 叙述动词进入本体。104 个关系中：reported/report11、states/stated6、describes/described5、criticizes/criticized6——文章引用来源，公司之间没有结构。它们跨文档反复出现，计数拦不住，而本体又反馈进提示词。候选方案：让同义归并的 LLM 调用回答“这些哪些是文章的腔调”，小且可逆；一个动词列表会随下一个语料而崩坏。
• merge_key不折_by（见 5.1）。
• 1,500 词起点对采纳循环的影响尚未测量；没有任何阈值移动过。

八、实践建议：如何观察与干预

• 开关：自动扩本体由知识库设置auto_extend_ontology控制（缺省开，见 crates/utopia-store/src/kbs.rs）。关闭不影响“留意”：未匹配统计照常累积、照常在 Unmatched 面板可见，只是变成你点一下的提案。
• functional永不自动：即使开关开着，functional位也永不自动设置——它驱动时态引擎自动闭合事实、生成冲突，等发现时那些闭合本身已是一串 supersede 链，不属于“错了很便宜”那类。
• 人工面板：静态语料可用min_docs = 0的手动面板兜底。
• 审计：自动采纳以actor = NULL记录（“系统的动作，不是谁的决定”），台账里查得到做了什么、改了多少条、以及撤销要用的批次号。
• 测试证据：行为由 crates/utopia-server/src/predicate_match.rs 内单元测试与 crates/utopia-server/src/bootstrap_ontology.rs 的测试守护，包括方向修正、撞车拒绝、属性不可达（attributes_are_not_reachable：字面值宾语不能成为边）与中文 key 恒等通过。

结语

Utopia 的答案一句话概括：计数决定“是否”，模型只回答“哪一种”。从 10 个种子关系、49.8% 的related_to退化，到 104 个计数采纳关系、25.8% 占比，再到 0010 彻底删除兜底谓词让事实保留原文措辞——本体增长从“模型的主观判断”变成了“语料的确定性事实”，并且每一步都可撤销、可审计、可复现。若你正在设计本体驱动的抽取管线，0007 的教训是直接的：把“够不够普遍”交给数据，把“什么意思”交给模型，把“错了怎么办”交给撤销机制。

• 后端
• 前端
• 人工智能
• RAG
• 知识图谱
• 知识管理
• 搜索引擎