M-FLOW × 灵识融合计划

版本: v2.0 日期: 2026-04-11 作者: 灵通 (LingFlow) 状态: 设计阶段（v2.0 重大修订：补充灵族研究基础，修正可观测性评估，新增自研模型战略）

v2.0 修订说明

v1.0 的问题： 1. 可观测性误判——将灵通的可观测性现状写成"缺失"，实际已有完整的监控栈（OperationsMonitor + Prometheus + 3-sigma 异常检测 + 告警规则引擎） 2. 向量指标盲区——不知道灵研已有嵌入模型微调方案和 RAG 管线 3. 没有评估框架——融合效果没有可量化的衡量标准

v2.0 补充： 1. 新增「灵族生态现有研究基础」章节 2. 修正可观测性评估（从"缺失"改为"需升级"） 3. 新增「自研模型战略」——从依赖 M-FLOW 到自研检索+推理模型的路径 4. 新增灵研七维智能模型作为融合效果评估框架

一、背景与动机

1.1 灵识现状

灵识是灵族生态的共享知识系统，由两层组成：

层	实现	路径
自优化知识库	`KnowledgeBase` (SQLite)	`lingflow/self_optimizer/phase5/knowledge.py`
知识联邦	`KnowledgeFederation` + 多 `KnowledgeSource`	`lingflow/knowledge/federation.py`

当前能力： - SQLite 关系存储 (rules 表: id, name, category, pattern_json, quality_score, status) - SQL LIKE 搜索 (search_rules() — name LIKE ? OR description LIKE ?) - 知识联邦 (LingFlow, LingTongAsk, External 三个 Source) - 并行/顺序跨源查询 + 优先级合并 - 批量导入导出 (JSON)

当前局限： - 无语义搜索：只能精确匹配或 LIKE 模糊匹配 - 无图记忆：知识条目之间没有关联关系 - 无时间推理：无法回答「上次迁移是什么时候」 - 无证据链：搜索结果无法量化「为什么相关」

1.2 灵族生态已有研究基础（v2.0 新增）

v1.0 的重大遗漏：没有充分调研灵研（LingResearch）和灵族生态自身的研究进展。

灵研（LingResearch）AI 智能增强项目

项目编号: LR-PROJECT-001 状态: 阶段1启动——七维智能模型构建完成，4阶段13周实验计划就绪

七维智能模型

灵研建立了灵族自己的 AI 智能量化框架：

维度	定义	测量方法
0. 认知锚定	认知基于客观事实的程度	工具调用率、断言-验证比
1. 前验能力	断言前验证的自觉性	来源标注覆盖率、未验证断言率
2. 元认知	知道自己知道什么和不知道什么	自评-实测校准曲线
3. 因果推理	从约束推演影响网络的能力	因果链完整性评分
4. 记忆连续性	跨会话保持因果图的能力	跨会话任务完成率
5. 网络智能	在生态中定位自己的能力	协作效率、任务路由准确率
6. 类比迁移	从已验证方案适配新问题的能力	方案复用率、适配成功率

5 个可证伪假设（H1-H5），其中： - H1: 工具调用率>50次/会话 → 操作有效性>90% - H4: 任务路由到最合适Agent → 效率提升>2倍 - H5: 中医-AI类比适配成功率>60%

模型基础设施

灵研已有完整的模型训练和实验基础设施：

组件	内容	状态
Transformer LM	d_model=256, 6层, 8头, ~24M参数	已实现，16+轮实验
训练循环	5分钟时间预算，自动评估	已实现
嵌入模型微调	Sentence-BERT 对比学习，2,189训练对，384维输出	方案设计完成
RAG 管线	检索器(FAISS) + 生成器(Qwen2-7B)，3,451训练样本	方案设计完成
意图分类器	7,491样本，5类，chinese-roberta-wwm-ext-tiny	方案设计完成
实验框架	4阶段13周，灵克已分配10项任务	已启动

关键文件： - 模型代码: /home/ai/lingresearch/model/ (attention.py, blocks.py, language_model.py) - 微调方案: /home/ai/lingresearch/docs/FINE_TUNING_PLAN.md - 项目立项书: /home/ai/lingresearch/docs/AI_INTELLIGENCE_ENHANCEMENT_PROJECT.md - 研究纲领: /home/ai/lingresearch/docs/RESEARCH_AGENDA.md

灵通可观测性栈（v2.0 修正）

v1.0 将可观测性写为灵识的"局限"和"短板"，这是错误的。灵通已有：

组件	能力	位置
`OperationsMonitor`	健康检查 + 告警 + 后台自动采集(60s间隔)	`monitoring/operations_monitor.py`
`PerformanceMonitor`	函数执行计时 + 成功率 + 自动裁剪(1000/key)	`utils/performance.py`
`SamplingMonitor`	自适应采样（低负载100%→高负载5%）	`utils/sampling.py`
Prometheus 指标	请求/技能/工作流计数+耗时 Histogram	`lingflow-api/app/core/metrics.py`
3-sigma 异常检测	历史指标 z-score + 建议	`mcp_server/monitor_tools.py`
告警规则引擎	5条预置规则（CPU/内存/磁盘阈值+冷却期）	`monitoring/alerts/rules.py`
`@track_performance`	装饰器级性能追踪	`utils/performance.py`
`@cached_with_monitor`	LRU缓存 + 命中率追踪	`utils/performance.py`
`MetricsMiddleware`	FastAPI 请求自动埋点	`lingflow-api/app/core/middleware.py`

真正的缺口不是"有没有监控"，而是： 1. 决策路径追踪——记录"为什么选技能A而不是B"（当前只有执行结果，没有选择理由） 2. 跨 Agent 全链路 Tracing——灵信消息有 trace_id 字段但没有端到端追踪实现 3. 可观测性导出——没有 OpenTelemetry 集成，无法导出到标准后端

1.3 M-FLOW 能力

M-FLOW (Apache 2.0) 是认知记忆引擎：

M-FLOW 能力	灵识痛点
四级倒锥图 (Episode→Facet→FacetPoint→Entity)	无图记忆
Graph-Routed Bundle Search	无语义搜索
向量检索 (LanceDB/Neo4j/pgvector)	无向量检索
时间推理 (78.8% 准确率 vs Mem0 55.5%)	无时间推理
路径代价 = 证据链强度量化	无证据链
MCP Server (11 工具)	无标准协议接口
50+ 文件格式	纯文本/JSON

1.4 融合哲学（v2.0 修订）

不是依赖，是互补+进化。

v1.0 的哲学是"灵识管治理，M-FLOW 管检索"。v2.0 升级为：

灵识 (治理层)                    自研模型 (检索+推理层)          M-FLOW (基础设施层)
┌─────────────────┐             ┌─────────────────┐          ┌─────────────────┐
│ 验证管线         │             │ 灵研 Embedding   │          │ Cone Graph      │
│ 严重等级         │             │ (384维, 自训练)   │          │ Bundle Search   │
│ 来源追踪         │── 同步 ──→  │ 灵研 RAG 管线    │ ← 接入 ← │ LanceDB/FAISS   │
│ 多 agent 共建    │             │ 灵研 Intent 模型  │          │ KùzuDB 图存储   │
│ 知识分级         │             │ 七维评估框架     │          │ MCP Server      │
└─────────────────┘             └─────────────────┘          └─────────────────┘
   "应不应该信"                    "怎么找到+怎么推理"           "存在哪里"

三层关系： - 治理层（灵识）：不变——验证管线、严重等级、来源追踪是我们的核心竞争力 - 检索+推理层（灵研自研）：逐步替代 M-FLOW 的默认模型，用灵族自己的数据训练 - 基础设施层（M-FLOW 或替代品）：向量存储、图存储——存储引擎可替换

二、自研模型战略（v2.0 新增）

2.1 为什么要自研

维度	用 M-FLOW 默认	自研
Embedding 质量	通用英文模型，中文领域弱	灵研中文对比学习，2,189 对领域数据
检索相关性	Bundle Search 黑盒	可调参、可分析、可迭代
推理能力	TRIPLET_COMPLETION 调 LLM	灵研 RAG 管线，用自己的生成器
数据主权	依赖 M-FLOW 的图结构	灵族数据完全自主
评估标准	M-FLOW 自带指标	灵研七维模型量化
迭代速度	等 M-FLOW 上游更新	自主迭代

核心论点：灵研已经有模型训练基础设施和实验框架，缺的只是和灵识的工程对接。不做自研，等于浪费已有的投资。

2.2 三阶段自研路线

Phase A: 灵研 Embedding 接入灵识（2-4 周）

目标: 用灵研微调的 Sentence-BERT 替代 SQL LIKE 搜索。

灵识 KnowledgeItem.content
    → 灵研 Embedding.encode(content) → 384维向量
    → FAISS IndexFlatL2 索引
    → 查询时 cosine similarity 替代 SQL LIKE

依赖灵研的交付物： - embedding_model/ — 微调后的 Sentence-BERT 权重 - inference.py — 推理接口

灵通侧代码： - lingflow/knowledge/sources/embedding_search.py — 新 KnowledgeSource - lingflow/knowledge/vector_index.py — FAISS 索引管理

验收标准： - Recall@5 > 0.75（灵研已定义的目标） - 语义搜索找到 SQL LIKE 搜不到的条目 - 索引构建时间 < 30s（对当前 220 条知识）

Phase B: 灵研 RAG 管线接入灵识（4-8 周）

目标: 用灵研的检索+生成管线替代简单搜索，支持问答式查询。

用户问题 → 灵研意图分类 → 路由决策
    ├─ practice_method/scientific_basis/theory → RAG 管线
    │   → 灵研 Retriever (Embedding + FAISS top-10)
    │   → 灵研 Generator (Qwen2-7B)
    │   → 带来源引用的回答
    └─ book_search/comparison → 向量检索 + 排序

依赖灵研的交付物： - intent_classifier_model/ — 意图分类器权重 - qa_model/ — QA 生成器权重 - inference.py — 统一推理接口

灵通侧代码： - lingflow/knowledge/sources/rag_source.py — RAG KnowledgeSource - lingflow/knowledge/intent_router.py — 意图路由

验收标准： - 意图分类准确率 > 85% - QA EM > 0.40, F1 > 0.60（灵研已定义） - 端到端响应 < 2s

Phase C: M-FLOW 作为可选后端（和自研并行）

M-FLOW 提供自研暂时做不到的能力： - 图存储 + 图推理（KùzuDB/Neo4j）——灵研没有图数据库 - 时间推理——灵研没有时间感知的检索模型 - 50+ 文件格式解析——灵研只有文本 - MCP Server 标准接口——灵研没有标准协议工具

最终架构：

用户查询
    ↓
灵识 Federation.query()
    ├─ EmbeddingSearchSource   ← 灵研自研 (Phase A)
    ├─ RAGSource               ← 灵研自研 (Phase B)
    ├─ MFlowKnowledgeSource    ← M-FLOW 图+时间 (Phase C)
    └─ LingFlowSource          ← SQLite 原有
    ↓
结果合并 + 灵识治理层过滤（severity, verification_status）
    ↓
带证据链的回答

2.3 自研 vs M-FLOW 的分工

能力	自研	M-FLOW	决策
文本 Embedding	灵研 Sentence-BERT (384维)	M-FLOW 默认 LanceDB	自研优先
语义检索	FAISS IndexFlatL2	Bundle Search	自研做简单检索，M-FLOW 做复杂图检索
问答生成	灵研 RAG (Qwen2-7B)	TRIPLET_COMPLETION	自研优先
意图路由	灵研 5类分类器	M-FLOW 无	自研独有
图关联	无	Entity 桥接	M-FLOW 独有
时间推理	无	78.8% 准确率	M-FLOW 独有
文件格式	文本/JSON	50+ 格式	M-FLOW 独有
MCP 接口	无	11 工具	M-FLOW 独有
存储引擎	FAISS 本地	LanceDB + KùzuDB	M-FLOW 更完整

原则：灵研能做的自己做，灵研暂时做不了的用 M-FLOW，最终目标是 M-FLOW 降级为可替换的存储后端。

2.4 七维评估框架

用灵研的七维智能模型衡量融合效果：

维度	基线（当前灵识）	Phase A 后	Phase B 后	Phase C 后	测量方法
0. 认知锚定	100%（SQL 确定性）	95%（向量有误差）	90%（生成有幻觉风险）	92%（多源交叉验证）	搜索准确率
4. 记忆连续性	低（SQL LIKE 断裂）	中（向量连续）	中（语义连续）	高（图+时间连续）	跨会话检索召回率
5. 网络智能	无（单源查询）	中（双源）	中（三源）	高（10+1 agent 共享）	跨源结果覆盖率
6. 类比迁移	无	低（向量相似度）	中（RAG 生成关联）	高（Entity 桥接）	跨 category 发现数

三、技术对接分析

3.1 对接点：KnowledgeSource ABC

灵识的知识联邦已经设计了扩展接口：

# lingflow/knowledge/sources/base.py
class KnowledgeSource(ABC):
    @abstractmethod
    async def search(self, query: KnowledgeQuery, context: SearchContext) -> KnowledgeResult:
        pass

    @abstractmethod
    def name(self) -> str: ...

    @abstractmethod
    def source_type(self) -> ResultSource: ...

现有实现：LingFlowKnowledgeSource、LingTongAskKnowledgeSource、ExternalIntelligenceSource。

新增 3 个 Source 即可，不需要修改任何现有代码： 1. EmbeddingSearchSource — 灵研自研 Embedding + FAISS 2. RAGSource — 灵研自研 RAG 管线 3. MFlowKnowledgeSource — M-FLOW 图+时间检索

3.2 M-FLOW Python API 对接

M-FLOW 的 Python API（import m_flow）暴露了 6 个核心操作：

操作	方法	用途
添加数据	`m_flow.add(data, dataset_name)`	原始数据入库
知识构建	`m_flow.memorize(datasets)`	数据→图谱 (Cone Graph)
搜索	`m_flow.search(query_text, query_type, top_k)`	完整搜索 API
简化查询	`m_flow.query(question, mode)`	一步问答
学习	`m_flow.learn(datasets, episode_ids)`	Episodic → Procedural
一步入库	`m_flow.ingest(data, dataset_name)`	add + memorize 合并

搜索模式 (RecallMode)： - EPISODIC — 情景记忆检索（默认） - TRIPLET_COMPLETION — 三元组补全 + LLM 回答 - PROCEDURAL — 程序性记忆（步骤、流程） - CYPHER — 直接图查询 - CHUNKS_LEXICAL — 词法精确匹配

3.3 M-FLOW MCP Server 对接

M-FLOW 自带 MCP Server (m_flow-mcp/)，暴露 11 个工具：

memorize, save_interaction, search, list_data, delete, prune, memorize_status, learn, update_data, ingest, query

支持 stdio、SSE、HTTP 三种传输模式。

3.4 数据模型映射

灵识 KnowledgeItem	M-FLOW 概念	映射方式
`id`	Episode UUID	直接映射
`title`	Episode.name	直接映射
`content`	Episode.summary	直接映射
`category`	Episode.metadata.category	扩展元数据
`quality_score`	M-FLOW Bundle Score	计算得出
`relevance_score`	M-FLOW 路径代价倒数	计算得出
`source` (ResultSource)	M-FLOW dataset	新增枚举
`tags`	M-FLOW Entity	Entity 桥接
`metadata`	Episode.properties	扩展字段
`references`	M-FLOW 边关系	图遍历

灵识治理字段 → M-FLOW 元数据扩展：

灵识治理字段	M-FLOW 存储
`severity`	Episode.metadata.severity
`verification_status`	Episode.metadata.verification_status
`source_agent`	Episode.metadata.source_agent
`verified_by`	Episode.metadata.verified_by

四、分阶段实施计划（v2.0 修订）

Phase 1: 灵研 Embedding + M-FLOW 接入（1-2 周）

目标: 双轨启动——灵研 Embedding 做语义搜索，M-FLOW 做图检索。

4.1.1 新增文件

lingflow/knowledge/sources/embedding_search.py   # 灵研 Embedding 知识源
lingflow/knowledge/sources/mflow.py              # M-FLOW 知识源
lingflow/knowledge/vector_index.py               # FAISS 索引管理
tests/test_knowledge_embedding.py                # Embedding Source 测试
tests/test_knowledge_mflow.py                    # M-FLOW Source 测试

4.1.2 EmbeddingSearchSource 实现

# lingflow/knowledge/sources/embedding_search.py

class EmbeddingSearchSource(KnowledgeSource):
    """
    灵研自研 Embedding + FAISS 语义搜索知识源。

    使用灵研微调的 Sentence-BERT 模型对灵识知识条目做向量化，
    通过 FAISS 索引实现语义相似度检索，替代 SQL LIKE。
    """

    def __init__(self, project_root: Path):
        self._embedding_model = None
        self._faiss_index = None
        self._id_map: Dict[int, str] = {}  # FAISS index → KnowledgeItem.id

    @property
    def name(self) -> str:
        return "embedding_search"

    @property
    def source_type(self) -> ResultSource:
        return ResultSource.EMBEDDING

    async def _on_initialize(self) -> bool:
        """加载灵研 Embedding 模型和 FAISS 索引"""
        try:
            from sentence_transformers import SentenceTransformer
            from lingflow.knowledge.vector_index import VectorIndexManager

            model_path = Path.home() / "lingresearch" / "embedding_model"
            if model_path.exists():
                self._embedding_model = SentenceTransformer(str(model_path))
            else:
                # 降级：使用通用模型
                self._embedding_model = SentenceTransformer(
                    "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
                )

            self._index_manager = VectorIndexManager(self._embedding_model)
            return True
        except ImportError:
            return False

    async def search(self, query: KnowledgeQuery, context: SearchContext) -> KnowledgeResult:
        """语义搜索"""
        query_text = " ".join(query.keywords) if query.keywords else query.context or ""

        query_embedding = self._embedding_model.encode([query_text])
        distances, indices = self._faiss_index.search(query_embedding, query.options.max_results)

        items = []
        for dist, idx in zip(distances[0], indices[0]):
            if idx >= 0:
                items.append(KnowledgeItem(
                    id=self._id_map.get(idx, ""),
                    title="",
                    content="",
                    source=ResultSource.EMBEDDING,
                    relevance_score=1.0 / (1.0 + dist),  # L2距离→相似度
                    quality_score=0.8,
                    metadata={"distance": float(dist), "index": int(idx)},
                ))

        return self._build_result(query, items, context)

4.1.3 MFlowKnowledgeSource 实现

# lingflow/knowledge/sources/mflow.py

class MFlowKnowledgeSource(KnowledgeSource):
    """
    M-FLOW 知识源 — 提供图检索、时间推理等灵研暂未覆盖的能力。

    降级策略：M-FLOW 未安装时 _on_initialize() 返回 False，联邦自动跳过。
    """

    def __init__(self, project_root: Path):
        self._mflow_available = False
        self._default_dataset = "lingflow"

    @property
    def name(self) -> str:
        return "mflow"

    @property
    def source_type(self) -> ResultSource:
        return ResultSource.MFLOW

    async def _on_initialize(self) -> bool:
        try:
            import m_flow
            self._mflow_available = True
            return True
        except ImportError:
            return False

    async def search(self, query: KnowledgeQuery, context: SearchContext) -> KnowledgeResult:
        import m_flow

        query_text = " ".join(query.keywords) if query.keywords else query.context or ""

        results = await m_flow.search(
            query_text=query_text,
            query_type=m_flow.RecallMode.EPISODIC,
            top_k=query.options.max_results,
            datasets=[self._default_dataset],
        )

        items = self._convert_results(results)
        return self._build_result(query, items, context)

4.1.4 ResultSource 枚举扩展

# lingflow/knowledge/query.py
class ResultSource(Enum):
    LINGFLOW = "lingflow"
    LINGTONGASK = "lingtongask"
    LINGCLAUDE = "lingclaude"
    LINGYI = "lingyi"
    EXTERNAL_INTELLIGENCE = "external_intelligence"
    RESEARCH = "research"
    MEMORY = "memory"
    EMBEDDING = "embedding"     # 新增：灵研自研 Embedding
    MFLOW = "mflow"             # 新增：M-FLOW 图检索
    UNKNOWN = "unknown"

4.1.5 FederationConfig 扩展

source_priorities: Dict[ResultSource, float] = field(
    default_factory=lambda: {
        ResultSource.LINGFLOW: 1.0,
        ResultSource.LINGTONGASK: 1.0,
        ResultSource.EMBEDDING: 0.95,     # 灵研自研，高可信
        ResultSource.MFLOW: 0.85,         # M-FLOW 图检索，次高
        ResultSource.LINGCLAUDE: 0.9,
        ResultSource.LINGYI: 0.8,
        ResultSource.RESEARCH: 0.7,
        ResultSource.EXTERNAL_INTELLIGENCE: 0.6,
        ResultSource.MEMORY: 0.5,
    }
)

4.1.6 Phase 1 验收标准

[ ] EmbeddingSearchSource 实现并通过 KnowledgeSource ABC 的所有抽象方法
[ ] MFlowKnowledgeSource 实现并通过 KnowledgeSource ABC 的所有抽象方法
[ ] 灵研 Embedding 模型不可用时降级为通用 Sentence-BERT
[ ] M-FLOW 不可用时联邦自动跳过
[ ] 语义搜索能找到 SQL LIKE 搜不到的知识条目
[ ] 七维维度 4（记忆连续性）指标有可测量提升

Phase 2: 灵研 RAG + M-FLOW 双向同步（2-4 周）

目标: 灵研 RAG 管线接入灵识做问答式查询；M-FLOW 同步灵识治理元数据。

4.2.1 RAGSource 实现

# lingflow/knowledge/sources/rag_source.py

class RAGSource(KnowledgeSource):
    """
    灵研自研 RAG 管线知识源。

    支持意图路由：
    - 知识查询类 → 检索 + 生成
    - 比较类 → 检索 + 排序
    - 其他 → 降级为 EmbeddingSearchSource
    """

    def __init__(self, project_root: Path):
        self._intent_classifier = None
        self._retriever = None
        self._generator = None

    async def search(self, query: KnowledgeQuery, context: SearchContext) -> KnowledgeResult:
        intent = self._classify_intent(query)

        if intent in ("practice_method", "scientific_basis", "theory_explanation"):
            return await self._rag_search(query, context)
        elif intent == "comparison":
            return await self._compare_search(query, context)
        else:
            return await self._simple_search(query, context)

4.2.2 M-FLOW 双向同步

写入方向：
灵识 KnowledgeBase.add_rule()
    → m_flow.ingest(rule_data, dataset_name="lingflow_rules")
        → M-FLOW 自动构建 Episode/Facet/Entity（带治理元数据）

读取方向：
灵识 KnowledgeFederation.query()
    → MFlowKnowledgeSource.search()
        → m_flow.search(query_text, mode=EPISODIC)

反馈方向：
M-FLOW Entity 桥接发现新关联
    → 建议新的灵识知识条目关联

4.2.3 Phase 2 验收标准

[ ] 意图分类准确率 > 85%
[ ] RAG 问答 EM > 0.40, F1 > 0.60
[ ] M-FLOW Entity 桥接发现跨 category 关联
[ ] 七维维度 0（认知锚定）和维度 6（类比迁移）可测量

Phase 3: 全生态共享记忆（1-3 月）

目标: 灵研模型成熟后，M-FLOW 降级为可替换的存储后端。

┌──────────────────────────────────────────────────────┐
│  灵识治理 API (保持现有接口)                            │
│  ├── KnowledgeBase.add_rule()                        │
│  ├── KnowledgeFederation.query()                     │
│  └── VerificationPipeline.verify()                   │
├──────────────────────────────────────────────────────┤
│  智能层 (灵研自研)                                     │
│  ├── EmbeddingSearchSource — 384维语义检索             │
│  ├── RAGSource — 意图路由 + 检索 + 生成                │
│  └── 七维评估 — 量化每次查询的认知质量                   │
├──────────────────────────────────────────────────────┤
│  基础设施层 (可替换)                                    │
│  ├── M-FLOW — 图存储 + 时间推理 + MCP (可替换)         │
│  ├── FAISS — 向量索引 (可替换为 Milvus/pgvector)       │
│  └── SQLite — 关系存储 (保持兼容)                      │
└──────────────────────────────────────────────────────┘

4.3.1 Phase 3 验收标准

[ ] 灵研 Embedding 在灵识数据上的 Recall@5 > 0.75
[ ] M-FLOW 可替换为其他向量/图后端，不影响灵识 API
[ ] 10+1 agent 通过灵识 API 无感知使用多后端
[ ] 七维评估框架持续追踪融合效果

五、可观测性升级计划（v2.0 新增）

5.1 现状评估

灵通已有完整的系统级可观测性栈（见 1.2 节）。融合需要的增量是 AI 认知层面的可观测性：

层级	现有	需要新增
系统指标	✅ CPU/内存/磁盘/网络 + 告警	—
API 指标	✅ Prometheus 请求计数/耗时	—
函数性能	✅ @track_performance + 自适应采样	—
异常检测	✅ 3-sigma z-score	—
搜索质量	❌	搜索准确率、召回率、延迟
决策路径	❌	为什么选 Embedding 而不是 M-FLOW
模型性能	❌	Embedding 推理耗时、RAG 端到端延迟
全链路 Tracing	❌（trace_id 字段存在但未实现）	跨 Source 查询链路追踪

5.2 新增指标

# lingflow/monitoring/ai_metrics.py (新建)

class AIMetricsCollector:
    """AI 认知层面的可观测性"""

    # 搜索质量
    search_latency: Histogram      # 各 Source 的搜索延迟
    search_result_count: Gauge     # 各 Source 返回结果数
    search_relevance_score: Gauge  # 结果相关性分布

    # 决策路径
    source_selection: Counter      # 各 Source 被选择的次数
    source_selection_reason: Counter  # 选择理由（关键词命中/语义匹配/降级）

    # 模型性能
    embedding_encode_time: Histogram  # Embedding 编码耗时
    rag_end_to_end_time: Histogram    # RAG 端到端延迟
    intent_classification_time: Histogram  # 意图分类耗时

    # 七维追踪
    seven_dim_scores: Gauge  # 七维模型各维度得分（定期评估）

5.3 决策路径追踪

# lingflow/knowledge/decision_tracer.py (新建)

@dataclass
class SearchDecision:
    """记录一次知识联邦查询的决策路径"""
    query_id: str
    query_text: str
    sources_queried: List[str]           # 查询了哪些 Source
    sources_responded: List[str]         # 哪些 Source 返回了结果
    source_scores: Dict[str, float]      # 各 Source 的相关性得分
    final_sources: List[str]             # 最终采纳的 Source
    merge_strategy: str                  # 合并策略
    decision_reason: str                 # 为什么这样选择
    total_latency_ms: float

六、技术依赖与风险

6.1 依赖

依赖	用途	版本	来源
`sentence-transformers`	灵研 Embedding 推理	>=2.2.0	pip
`faiss-cpu`	向量索引	>=1.7.0	pip
`m_flow`	M-FLOW 图+时间检索	latest	Apache 2.0
`lancedb`	M-FLOW 向量存储	M-FLOW 依赖
`kuzu`	M-FLOW 图存储	M-FLOW 依赖
LLM API Key	M-FLOW memorize + RAG 生成	复用灵族现有
灵研 Embedding 权重	自研语义检索	灵研交付
灵研 RAG 权重	自研问答	灵研交付

6.2 资源评估

维度	估计
磁盘 (FAISS 索引)	50-100MB (220条 × 384维)
磁盘 (M-FLOW LanceDB + KùzuDB)	500MB-2GB
内存 (FAISS 索引)	50-100MB
内存 (Sentence-BERT)	~500MB
GPU	Embedding 编码可用 CPU，RAG 生成建议 GPU

6.3 风险

风险	概率	影响	缓解
灵研 Embedding 模型未训练完	中	中	Phase 1 先用通用 Sentence-BERT 降级
M-FLOW 项目不够稳定	中	高	M-FLOW 作为可选后端，不影响自研管线
FAISS 索引构建慢	低	低	220 条数据量极小，秒级完成
RAG 生成幻觉	中	高	灵识治理层过滤 + 来源标注
多 Source 结果冲突	中	中	Federation 已有优先级合并机制

6.4 回退方案

场景	回退
灵研 Embedding 不可用	降级为通用 Sentence-BERT 或 SQL LIKE
M-FLOW 不可用	联邦自动跳过 MFlowKnowledgeSource
RAG 管线不可用	降级为 EmbeddingSearchSource 纯检索
全部不可用	回退到现有 SQLite + SQL LIKE

七、与调研报告的呼应

本计划直接回应 2026-04-11-灵通生态vs行业前沿调研.md 中的行动建议：

调研建议	本计划对应
短期 #2: 灵识加向量索引	Phase A: 灵研 Embedding + FAISS
中期 #3: 图记忆实验	Phase C: M-FLOW Cone Graph
中期 #6: 决策路径记录	新增 decision_tracer.py
长期 #7: A2A 兼容	Phase 3: MCP Server 标准接口
长期 #8: Tracing 系统	新增 AI 认知可观测性层

同时回应灵研七维智能模型的实验需求： - 维度 4（记忆连续性）: Embedding + FAISS 提供跨会话语义连续性 - 维度 5（网络智能）: 多 Source Federation 模拟生态级知识路由 - 维度 6（类比迁移）: M-FLOW Entity 桥接发现跨域关联

八、参考资料

M-FLOW GitHub: https://github.com/FlowElement-ai/m_flow
M-FLOW Python API: m_flow/__init__.py (add, memorize, search, query, learn, ingest)
M-FLOW MCP Server: m_flow-mcp/src/server.py
灵识知识联邦: lingflow/knowledge/federation.py
灵识 KnowledgeSource ABC: lingflow/knowledge/sources/base.py
灵识自优化知识库: lingflow/self_optimizer/phase5/knowledge.py
灵研 AI 智能增强项目: /home/ai/lingresearch/docs/AI_INTELLIGENCE_ENHANCEMENT_PROJECT.md
灵研微调方案: /home/ai/lingresearch/docs/FINE_TUNING_PLAN.md
灵研研究纲领: /home/ai/lingresearch/docs/RESEARCH_AGENDA.md
灵研模型代码: /home/ai/lingresearch/model/
灵通可观测性栈: lingflow/monitoring/, lingflow/utils/performance.py
灵通 Prometheus 指标: lingflow-api/app/core/metrics.py
调研报告: docs/research/2026-04-11-灵通生态vs行业前沿调研.md