检索与联想

本文档基于 soul-mem-algo/src/algo/retrieve/ 当前代码（feature/test_framework 分支）。 实现细节见 soul-mem-algo。

1. 检索策略抽象

所有检索策略实现 RetrStrategy trait：

pub trait RetrStrategy: 'static {
    type Request: RetrRequest;
    type Return<'a> where Self: 'a;
    fn retrieve(&self, request: Self::Request) -> Self::Return<'_>;
}

2. 默认管线（DefaultPipeline）

三段式，严格按序：

① ShortOnly ── 窗口内容 + 摘要
      ↓
② Similarity ── query 向量与 Cluster 节点余弦相似度（兜底分过滤 + top-k）→ PPR 源种子
      ↓
③ AssociateWithAction ── PPR 联想扩散 + softmax 归一化 + 贝叶斯动作推理 topK
      ↓
DefaultPipelineResult { association, action, short_history, short_mem, priority }

• ① 提取滑动窗口消息与摘要（短期记忆，无条件进入最终上下文）。
• ② 以相似度结果作为 PPR 的源节点（种子）。
• ③ PPR 扩散 → 只保留 Situation 节点（抽象源权重 ×2 优先）→ softmax → Bayes 动作推理。
• 最后 merge_note_scores：相似度结果与 PPR 结果同 id 取更高分，降序截断 10 条。

3. PPR 联想（核心机制）

目标方程：ppr_s = damping × P × ppr_s + (1 - damping) × personalized_vec

实现为 weighted_ppr_fp（EdgePush/Forward-Push 风格）：

• 多源：相似度命中的多个节点共同作为个性化向量源。
• 带边权：边权由动态权重函数计算——综合 intensity（连接强度）、confidence （语义置信度）与类型偏好（Semantic/Situation 通道，默认 Situation 优先）。
• 程序性记忆节点不参与联想：目标为 Procedure 的边权重为 0，动作检出交给 Bayes 推理。
• 无出度节点与源节点建立“虚拟连接“均分残差。
• 参数：damping 0.65、残差阈值 1e-5；damping == 1.0 被 assert 拒绝（防无限循环 DoS）。

PPR 的联想语义：模拟记忆联想——从当前检索命中的记忆出发，沿图游走扩散到相关记忆， 多跳可达（“钟离假死” → “米哈游“这类梗联想）。

4. 动作推理（BayesAction）

• 源：PPR 结果 + 相似度种子（合并、只留 Situation、softmax 归一化）。
• 动作候选：源节点的出边中，边类型 = Proc 且目标为 Procedure 的邻居。
• 分数：Σ prob × weight（多源累加，prob 来自 TrigToAction 边的转移概率）。
• 语义记忆 → 动作的路径不触发动作（仅作自我认知补充，不进入动作提示词）。

5. 与旧文档/报告的演进对照

• 基线：纯向量相似 top-k（beta_ver.md 的 baseline 思路）→ 当前为 相似度种子 + PPR 扩散 + Bayes 动作的组合。
• 阈值语义变化：早期 SITUATION_SIMILARITY_THRESHOLD = 0.5（情境专用阈值）已被 “兜底分 floor + 必取 top-k” 取代（similarity_threshold 默认 0.35 作为最低兜底分， 达到即参与 top-k，避免绝对阈值饿死查询）。
• 抽象检出：抽象情境节点经 PPR 检出（SpecificToAbstract 反向边），作为 Bayes 动作 提取的优先源，抽象源权重默认 ×2。详见 历史报告。

6. 未来规划（代码 TODO）

• 数据库向量相似结果接入并混合（当前无数据库通道）。
• RetrRequestConfig 尚无生产调用方（仅定义 + serde 反序列化）。