# Phase R.4：高级特性（可选）

日期：2026-04-03
状态：已规划（可选）
工作量：4.5 天

---

## 1. 本阶段目的

探索更高级的 RAG 增强技术。

> **注意：** 本阶段为可选特性，不影响核心功能。根据实际需求决定是否实施。

---

## 2. 核心任务

### Task R.4.1：语义去重

**目标：** 消除冗余检索结果

**新增文件：** `backend/app/services/deduplicator.py`

```python
import numpy as np

class SemanticDeduplicator:
    """语义去重，消除冗余检索结果"""
    
    DEDUP_THRESHOLD = 0.88  # 余弦相似度阈值
    
    def deduplicate(
        self, 
        results: list[SearchResult], 
        embeddings: list[np.ndarray]
    ) -> list[SearchResult]:
        if len(results) <= 1:
            return results
        
        # 计算余弦相似度矩阵
        n = len(results)
        similarity_matrix = np.zeros((n, n))
        
        for i in range(n):
            for j in range(i + 1, n):
                sim = self._cosine_similarity(embeddings[i], embeddings[j])
                similarity_matrix[i][j] = sim
                similarity_matrix[j][i] = sim
        
        # 贪心去重
        keep = [True] * n
        for i in range(n):
            if not keep[i]:
                continue
            for j in range(i + 1, n):
                if keep[j] and similarity_matrix[i][j] > self.DEDUP_THRESHOLD:
                    keep[j] = False
        
        return [r for r, k in zip(results, keep) if k]
    
    def _cosine_similarity(self, a: np.ndarray, b: np.ndarray) -> float:
        return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
```

---

### Task R.4.2：语义分桶（可选）

**目标：** 按主题自动组织检索结果

**新增文件：** `backend/app/services/semantic_bucket.py`

```python
from collections import defaultdict
import numpy as np

class SemanticBucketing:
    """语义分桶，按主题自动组织检索结果"""
    
    async def bucket_by_topic(
        self, 
        results: list[SearchResult],
        embeddings: list[np.ndarray]
    ) -> dict[str, list[SearchResult]]:
        # 使用层次聚类
        from sklearn.cluster import AgglomerativeClustering
        
        n_clusters = min(5, len(results))
        if n_clusters < 2:
            return {"default": results}
        
        clusterer = AgglomerativeClustering(n_clusters=n_clusters)
        labels = clusterer.fit_predict(np.array(embeddings))
        
        buckets = defaultdict(list)
        for r, label in zip(results, labels):
            buckets[f"topic_{label}"].append(r)
        
        # 按每个桶内最高分排序
        sorted_buckets = {}
        for name, items in buckets.items():
            sorted_items = sorted(items, key=lambda x: x.score, reverse=True)
            sorted_buckets[name] = sorted_items
        
        return sorted_buckets
```

---

### Task R.4.3：EPA 分析设计（探索）

**目标：** 语义空间投影分析方案设计

```python
class EPAModule:
    """
    EPA: Embedding Projection Analysis
    
    分析向量在语义空间中的投影，识别：
    - 逻辑深度 (Logic Depth): 意图聚焦程度
    - 熵 (Entropy): 信息散乱程度  
    - 共振 (Resonance): 跨域关联程度
    
    注意：此模块为高级特性，复杂度高，建议后续探索。
    """
    
    def project(self, vector: np.ndarray) -> dict:
        """
        返回语义投影结果：
        - logic_depth: 0~1, 高=意图聚焦
        - entropy: 0~1, 高=信息散乱
        - resonance: 跨域共振程度
        - dominant_axes: 主要语义轴
        """
        raise NotImplementedError("EPA 模块探索中")
    
    def detect_cross_domain_resonance(self, vector: np.ndarray) -> dict:
        """
        检测跨域共振：
        - 当查询同时触及多个正交语义轴时触发
        - 返回共振强度和涉及的主要领域
        """
        raise NotImplementedError("EPA 模块探索中")
```

---

## 3. 新增测试

```python
# backend/tests/services/test_deduplicator.py

class TestSemanticDeduplicator:
    def test_deduplicate_similar_results(self):
        dedup = SemanticDeduplicator()
        
        results = [
            SearchResult(chunk_id="1", score=0.9, ...),
            SearchResult(chunk_id="2", score=0.85, ...),
            SearchResult(chunk_id="3", score=0.8, ...),
        ]
        embeddings = [
            np.array([0.1, 0.2, 0.3]),
            np.array([0.11, 0.21, 0.31]),  # 与第一个高度相似
            np.array([0.9, 0.8, 0.7]),  # 与第一个不相似
        ]
        
        deduped = dedup.deduplicate(results, embeddings)
        assert len(deduped) < len(results)  # 应该去掉一些重复结果
```

---

## 4. 验收标准

- [ ] 语义去重测试通过
- [ ] 语义分桶原型完成（可选）
- [ ] EPA 分析方案设计完成（可选实现）

---

## 5. 变更文件清单

| 文件 | 操作 | 说明 |
|------|------|------|
| `backend/app/services/deduplicator.py` | 新增 | 语义去重 |
| `backend/app/services/semantic_bucket.py` | 新增（可选） | 语义分桶 |
| `backend/tests/services/test_deduplicator.py` | 新增 | 去重测试 |

---

## 6. 工作量估算

| 任务 | 估算 | 状态 |
|------|------|------|
| R.4.1 语义去重 | 1.5 天 | 必须 |
| R.4.2 语义分桶 | 2 天 | 可选 |
| R.4.3 EPA 设计 | 1 天 | 可选 |
| **R.4 总计（必须）** | **1.5 天** | |
| **R.4 总计（含可选）** | **4.5 天** | |

---

## 7. EPA 分析详细设计（供后续参考）

### 7.1 核心概念

EPA (Embedding Projection Analysis) 受 VCPToolBox TagMemo V6 启发，用于分析查询向量在语义空间中的投影特征。

### 7.2 关键指标

| 指标 | 定义 | 计算方式 |
|------|------|----------|
| Logic Depth | 意图聚焦程度 | 通过计算投影熵值判断 |
| Entropy | 信息散乱程度 | 向量分布的熵 |
| Resonance | 跨域共振 | 查询跨越多个语义轴的程度 |

### 7.3 动态 Beta 公式

```
β = σ(L · log(1 + R) - S · noise_penalty)
```

- L: Logic Depth
- R: Resonance  
- S: 噪音程度
- σ: 归一化函数

### 7.4 残差金字塔

对查询向量进行多级剥离：

1. 首轮匹配 → 获取主要语义
2. 计算残差 → 提取被掩盖的微弱信号
3. 递归搜索 → 直到 90% 能量被解释

### 7.5 LIF 脉冲扩散

模拟神经元的脉冲传导：

1. 种子节点激活
2. 沿共现矩阵向外扩散（2跳限制）
3. 阈值过滤噪音
4. 涌现拓扑关联

---

## 8. 风险与注意事项

| 风险 | 影响 | 缓解措施 |
|------|------|----------|
| EPA 实现复杂度高 | 高 | Phase R.4 可选，暂不实现 |
| 聚类计算开销 | 中 | 限制聚类数量，使用高效算法 |
| 去重阈值调参 | 中 | 提供配置项，允许用户调整 |