知识图谱遍历 — CKG 模式

核心理念

来自 ckg-nvidia-ai 的洞察：遍历而非检索。 不要用 embedding/RAG/TF-IDF 搜，而是沿着声明好的关系图谱一步步走。

"The fix is not a better model. It is structured context." "Every time your agent calls out to ask what TensorRT-LLM requires, it spends ~2,982 tokens re-inferring a relationship that could be declared once and traversed in 269."

Hermes 知识库现状

• 36 个 Markdown 文档
• 140 个 [[wikilinks]] 双向链接
• 6 大领域中枢节点
• 已有 D:/Hermes/knowledge-base/技能图谱/kb-graph.json

三级遍历策略

L1：入口定位（1 步）

给定查询词，直接命中中枢节点或最近的文档。

"TTS 方案" → [[TTS 语音合成]] (直接命中)
"Agent 调度" → [[02-智能体基础设施]] → [[agent-mesh]]

L2：关系遍历（2-3 步）

从命中文档沿 [[wikilinks]] 走出去，找到关联文档。

[[TTS 语音合成]] → [[Hermes 语音闭环]] → [[沟通/郑鑫沟通偏好]]
一步：方案本身 | 二步：集成方式 | 三步：面向谁

L3：全图探索（5+ 步）

从任意节点出发，深度遍历整个领域。

[[01-开发流水线]] → 展开全部 28 个开发技能的关系网

Token 节省对比

使用方式

手动模式（现有能力）

1. search_files 搜 [[wikilinks]] 关键词 → 找命中文档
2. read_file 读命中文档 → 提取其中的 [[wikilinks]]
3. 沿 [[wikilinks]] 跳到关联文档 → 找到完整答案

图谱文件

• D:/Hermes/knowledge-base/技能图谱/kb-graph.json — 完整图谱数据
• D:/Hermes/knowledge-base/技能图谱/dashboard.html — 力导向可视化
• SigMap 可对知识库建签名地图：npx sigmap --query "主题"
• D:/Hermes/scripts/auto_inject.py — 自动上下文注入脚本（零依赖 TF-IDF + wikilinks 提取）
• D:/Hermes/knowledge-base/技术/deja-vu与agent-memory-engine设计精华.md — GitHub 项目设计精华提取

自动上下文注入（借鉴 deja-vu SessionStart hook）

deja-vu 的核心设计：会话开始前自动搜索相关记忆并注入上下文，不等用户问。

触发时机

每次新会话启动时（用户发第一条消息后），在回答之前执行：

1. 提取关键词：从用户第一条消息中提取 2-3 个核心关键词
2. 搜索知识库：用 search_files 在 D:\Hermes\knowledge-base\ 搜这些关键词
3. 读命中文档：对 Top-2 结果调用 read_file 获取内容
4. 搜会话历史：用 session_search 搜相关历史会话
5. 注入上下文：在回答中引用相关知识点和 wikilinks

示例流程

用户: "TTS 播报不工作了"
→ 关键词: TTS, 语音播报, 故障
→ search_files 搜 knowledge-base → 命中 [[TTS 语音合成]]、[[Hermes 语音闭环]]
→ session_search "TTS 问题" → 上一次 TTS 修复记录
→ 回答: "上次修过类似问题（voice.py:835 的 0.5s 重开麦），先检查..."

注意

• 只注入 Top-2 文档，避免 token 浪费
• 如果知识库无匹配，直接回答不经注入
• session_search 结果仅供参考，不替代直接检查

设计原则

1. 确定性：同一查询永远走同一条遍历路径，可复现可审计
2. 声明式：关系写在 [[wikilinks]] 里，不靠模型推理
3. 分层访问：从 L1 到 L3 逐步升温，只在必要时多读
4. 可组合：与 SigMap（代码签名地图）+ kb-graph.json（知识图谱）互补
5. 预注入：会话开始时主动搜索，不等用户问（借鉴 deja-vu）

CKG 层的扩展方向

当前：36 个文档，140 个关系 = 知识层 未来：可叠加更多层——

• 技能层：105 个技能之间的依赖关系
• 配置层：config.yaml 各项之间的影响链
• 项目层：D:/Hermes/ 下项目的依赖关系

每层独立声明关系，Agent 按需跨层遍历。

跨层遍历（v2.0 新增）— 借鉴 OpenClaw memory-core 独立运行时

从单层到多层

v1.0 只在知识层内遍历 wikilinks。v2.0 支持跨层跳转：

知识层: [[TTS 语音合成]]
  ↓ "需要配置什么？"
配置层: [[config.yaml#tts]] → [[config.yaml#voice]]
  ↓ "哪个技能用这个配置？"
技能层: [[voice-full-restore]] → [[voice-wake-word]]
  ↓ "这个技能借鉴了哪个项目？"
外部: [[hermes-lcm]] GitHub

独立图谱服务（v2.0 新增）— 借鉴 OpenClaw memory-core split

OpenClaw 将 memory-core 拆分独立运行时——图谱也应该是独立服务：

Agent ← 查询 → Knowledge Graph Service → kb-graph.json
      ← 结果  ←                        → wikilinks 索引
                                         → 跨层关系映射

当前实现：D:/Hermes/knowledge-base/技能图谱/kb-graph.json 未来：MCP 端点 mcp__knowledge_graph__traverse(query, depth=2)

三层查询模式

参考

• ckg-nvidia-ai: https://github.com/Yarmoluk/ckg-nvidia-ai (3⭐, 4×F1, 11× token savings)
• Graphify.md: https://graphifymd.com (CKG 构建工具)
• deja-vu: https://github.com/vshulcz/deja-vu (281⭐) — SessionStart 自动注入、零依赖索引
• agent-memory-engine: https://github.com/uudam42/agent-memory-engine (122⭐) — 证据链追溯、候选暂存区
• 已有基础：D:/Hermes/knowledge-base/ 39 文档 + 140 wikilinks
• 借鉴总结：技术/deja-vu与agent-memory-engine设计精华.md
• 自动注入脚本：D:/Hermes/scripts/auto_inject.py（零依赖 TF-IDF + wikilinks 提取）