windy/airport-wiki
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
Files
88dc00c6f38bf92731a7422c0962b17281bbf351
airport-wiki/concepts/knowledge-management/knowledge-lifecycle.md
T

13 KiB
Raw Blame History

title, created, updated, type, tags, sources_count, confidence, last_confirmed, status, relationships, detail
title created updated type tags sources_count confidence last_confirmed status relationships detail
知识生命周期与遗忘曲线 2026-04-13 2026-04-15 informs
knowledge-management
knowledge-lifecycle
confidence-decay
supersession
1 0.9 2026-04-15 active
target
quality-control.md
质量评估和归档决策

🔄 知识生命周期与遗忘曲线

模拟人类记忆的置信度衰减和层次化整合机制，为机场智能化 wiki 建立动态的知识管理系统。通过时间衰减、源验证和层次整合，确保 wiki 内容的时效性和准确性。

核心理念：知识不是静态的，而是随时间演化的有机体。新知识活跃，旧知识衰减，冲突知识整合。

🧠 记忆分层模型

1️⃣ 工作记忆层 (Working Memory)

特征 处理机制 时间窗口
新加入的知识 高置信度 (0.8-1.0) 1-30 天
主动使用频率高 强化学习 短期活跃
来源新鲜 来源评分高 即时可用
易于修改 标记为待验证 高度可变

适用场景：刚发布的政策、新机场案例、技术规格更新

2️⃣ 长期记忆层 (Long-term Memory)

特征 处理机制 时间窗口
已验证的知识 中等置信度 (0.5-0.8) 31-365 天
多源验证 冲突解决完毕 稳定引用
整合完善 关联其他知识 结构性存储
定期回顾 周期性强化 访问频率中

适用场景：成熟技术标准、核心运营流程、基础架构文档

3️⃣ 归档记忆层 (Archived Memory)

特征 处理机制 时间窗口
过时但参考性 低置信度 (0.1-0.5) >1 年
历史价值 标记为过时 只读访问
替代关系 superseded_by 链接 背景参考
最小维护 不参与搜索 低成本存储

适用场景：旧版标准、历史案例、被替换的技术方案

📉 置信度衰减机制

衰减函数

def decay_confidence(current_confidence: float, 
                     age_days: int,
                     usage_frequency: float,
                     sources_count: int) -> float:
    """
    计算置信度衰减
    参数:
    - current_confidence: 当前置信度 (0-1)
    - age_days: 知识创建天数
    - usage_frequency: 最近30天访问频率 (0-1)
    - sources_count: 引用来源数量
    """
    
    # 基础衰减因子：时间衰减（类似艾宾浩斯遗忘曲线）
    base_decay = 0.95 ** (age_days / 30)  # 每月衰减5%
    
    # 强化因子：使用频率和来源数量
    reinforcement = (usage_frequency * 0.3) + (min(sources_count, 5) * 0.05)
    
    # 应用衰减
    new_confidence = current_confidence * base_decay
    
    # 应用强化（减缓衰减）
    new_confidence += (1 - base_decay) * reinforcement
    
    # 确保在 [0.05, 1.0] 范围内
    return max(0.05, min(1.0, new_confidence))

衰减策略表

衰减因子 影响权重 触发条件 调整幅度
时间衰减 60% 创建时间 >30 天 -2%/月
使用频率 20% 每月访问次数 ±0.5%/次
来源数量 15% 引用来源增减 ±1%/个
冲突数量 5% 发现矛盾事实 -5%/冲突
用户反馈 额外 明确确认/否认 ±10%/次

衰减示例计算

# 示例：智能登机口技术页面
page_confidence = {
    "current": 0.85,         # 当前置信度
    "age_days": 90,          # 创建90天
    "usage_frequency": 0.6,  # 中等使用频率
    "sources_count": 3,      # 3个来源
    "conflicts": 1           # 1个冲突
}

# 计算衰减
new_confidence = decay_confidence(
    current_confidence=0.85,
    age_days=90,
    usage_frequency=0.6,
    sources_count=3
)

# 应用冲突惩罚
if page_confidence["conflicts"] > 0:
    new_confidence -= 0.05 * page_confidence["conflicts"]

print(f"原始置信度: 0.85 → 衰减后: {new_confidence:.2f}")
# 输出: 原始置信度: 0.85 → 衰减后: 0.76

🔄 知识整合层次

层次 1: 事实级整合

def integrate_facts(existing_fact: Fact, new_fact: Fact) -> IntegrationResult:
    """
    整合新事实到现有知识
    返回: 保持原样 | 更新 | 并列 | 弃用
    """
    
    # 1. 检查直接冲突
    if is_direct_conflict(existing_fact, new_fact):
        return resolve_conflict(existing_fact, new_fact)
    
    # 2. 检查互补性
    if is_complementary(existing_fact, new_fact):
        return merge_facts(existing_fact, new_fact)
    
    # 3. 检查相关性
    if is_related(existing_fact, new_fact):
        return link_facts(existing_fact, new_fact)
    
    # 4. 无关联则独立存储
    return IntegrationResult.KEEP_BOTH

层次 2: 页面级整合

def integrate_pages(target_page: Page, new_content: str, source: str):
    """
    整合新内容到现有页面
    """
    
    # 1. 提取关键事实
    new_facts = extract_facts(new_content)
    
    # 2. 与页面现有事实比较
    for fact in new_facts:
        # 查找匹配的现有事实
        matches = find_matching_facts(target_page, fact)
        
        if not matches:
            # 新事实：添加
            target_page.add_fact(fact, source)
            
        elif len(matches) == 1:
            # 匹配事实：整合
            result = integrate_facts(matches[0], fact)
            
            if result == IntegrationResult.UPDATE:
                # 更新现有事实（提高置信度）
                matches[0].update(fact, source)
            elif result == IntegrationResult.DEPRECATE:
                # 弃用旧事实
                matches[0].mark_deprecated(fact, source)
                
        else:
            # 多个匹配：需要人工审核
            target_page.flag_for_review(fact, matches)
    
    # 3. 更新页面置信度
    target_page.recalculate_confidence()

层次 3: 主题级整合

def integrate_topic(topic: str, new_sources: List[str]):
    """
    整合新来源到主题（如"智能登机口"）
    """
    
    # 1. 获取主题相关页面
    related_pages = get_pages_by_topic(topic)
    
    # 2. 对每个新来源
    for source in new_sources:
        content = read_source(source)
        
        # 3. 分发给相关页面
        for page in related_pages:
            # 检查相关性
            relevance = calculate_relevance(content, page)
            
            if relevance > 0.3:
                integrate_pages(page, content, source)
        
        # 4. 创建新页面（如需）
        uncovered_aspects = find_uncovered_aspects(content, related_pages)
        
        for aspect in uncovered_aspects:
            create_new_page(aspect, content, source)
    
    # 5. 主题级置信度更新
    update_topic_confidence(topic)

层次 4: 领域级整合

def integrate_domain(domain: str, time_period: str = "monthly"):
    """
    跨主题的领域级整合（如"机场运营技术"）
    """
    
    # 1. 获取领域内所有主题
    topics = get_topics_in_domain(domain)
    
    # 2. 识别跨主题模式
    cross_topic_patterns = analyze_cross_topic_patterns(topics)
    
    # 3. 整合重复信息
    deduplicate_across_topics(topics)
    
    # 4. 更新主题关系图
    update_domain_relationship_graph(domain, topics)
    
    # 5. 生成领域报告
    report = generate_domain_integration_report(domain, topics)
    
    return report

🗑️ 知识淘汰与归档

淘汰决策树

开始
  ↓
置信度 < 0.3 ?
  ├─ 是 → 标记为过时
  └─ 否 → 
        ↓
       有更新的替代版本？
          ├─ 是 → superseded_by 链接
          └─ 否 →
                ↓
                创建时间 > 2 年？
                  ├─ 是 → 归档建议
                  └─ 否 → 保持活跃

归档流程

def archive_knowledge():
    """
    自动知识归档流程
    1. 识别候选
    2. 验证替代关系
    3. 执行归档
    4. 更新引用
    """
    
    # 1. 识别归档候选
    candidates = find_archive_candidates()
    
    for candidate in candidates:
        # 2. 检查是否有替代版本
        replacement = find_replacement(candidate)
        
        if replacement:
            # 3. 建立 superseded_by 关系
            candidate.superseded_by = replacement
            
            # 4. 移动页面到归档目录
            archive_path = move_to_archive(candidate)
            
            # 5. 更新所有引用
            update_references(candidate, replacement)
            
            log_event("page_archived", {
                "page": candidate.path,
                "replacement": replacement.path,
                "reason": "superseded_by",
                "timestamp": now()
            })
        else:
            # 无替代版本：降低搜索权重
            candidate.search_weight *= 0.1
            
            log_event("page_deprecated", {
                "page": candidate.path,
                "reason": "no_replacement",
                "timestamp": now()
            })
    
    return {"archived": len(candidates)}

🎯 置信度驱动的搜索排名

搜索评分算法

def calculate_search_score(page: Page, query: str, user_context: Dict) -> float:
    """
    结合置信度、相关性和时效性的搜索评分
    """
    
    # 1. 基础文本相关性 (BM25)
    text_relevance = bm25_score(page.content, query)
    
    # 2. 语义相关性 (嵌入相似度)
    semantic_relevance = embedding_similarity(page.embedding, query_embedding)
    
    # 3. 置信度调整
    confidence_adjustment = page.confidence ** 2  # 平方加权，高置信度优势更大
    
    # 4. 时效性调整（新知识优先）
    recency_adjustment = 1.0 / (1 + page.age_days / 180)  # 半年衰减一半
    
    # 5. 用户个性化（如有历史数据）
    personalization = calculate_personalization_score(page, user_context)
    
    # 综合评分
    score = (
        text_relevance * 0.4 +
        semantic_relevance * 0.4 +
        confidence_adjustment * 0.15 +
        recency_adjustment * 0.05 +
        personalization * 0.1  # 如果用户有历史数据，否则为0
    )
    
    return score

置信度阈值

置信度区间 搜索可见性 推荐系统 自动引用
0.8-1.0 最高优先级 主动推荐 自动引用
0.6-0.79 正常显示 可能推荐 谨慎引用
0.4-0.59 较低权重 很少推荐 标记警告
0.2-0.39 需明确搜索 不推荐 避免引用
<0.2 隐藏（归档） 不推荐 不引用

📊 生命周期监控

仪表板指标

def get_lifecycle_metrics():
    """
    返回知识生命周期关键指标
    """
    return {
        "total_pages": count_pages(),
        "by_confidence": {
            "high": count_pages(confidence_min=0.8),
            "medium": count_pages(confidence_min=0.5, confidence_max=0.79),
            "low": count_pages(confidence_min=0.2, confidence_max=0.49),
            "archived": count_pages(confidence_max=0.19)
        },
        "decay_rate": calculate_average_decay_rate(),
        "conflict_resolution_rate": get_conflict_resolution_rate(),
        "archival_rate": count_archived_last_month(),
        "average_age_days": get_average_page_age()
    }

健康检查

def health_check_lifecycle():
    """
    生命周期系统健康检查
    """
    issues = []
    
    # 检查过度衰减
    if get_average_decay_rate() > 0.1:
        issues.append("置信度衰减过快")
    
    # 检查冲突积压
    if count_unresolved_conflicts() > 20:
        issues.append("未解决冲突过多")
    
    # 检查归档堆积
    if count_candidates_for_archive() > 50:
        issues.append("归档候选积压")
    
    # 检查更新频率
    if days_since_last_integration() > 30:
        issues.append("整合操作长期未执行")
    
    return {
        "status": "healthy" if not issues else "needs_attention",
        "issues": issues,
        "metrics": get_lifecycle_metrics()
    }

🚀 实施路线图

阶段 1：基础衰减（当前）

  • ✅ 页面级置信度字段
  • ✅ 简单的基于时间的衰减
  • 🔄 每周自动衰减脚本

阶段 2：智能整合（2-4周）

  • 🔄 事实级冲突检测
  • 🔄 页面级整合算法
  • 🔄 置信度驱动的搜索排名
  • 🔄 基础仪表板

阶段 3：高级生命周期（1-2月）

  • 🔄 主题级和领域级整合
  • 🔄 自适应衰减参数
  • 🔄 用户反馈集成
  • 🔄 预测性归档建议

阶段 4：自主管理（未来）

  • 🔄 自适应的遗忘曲线
  • 🔄 跨wiki知识同步
  • 🔄 主动知识维护
  • 🔄 预测性内容生成

📚 相关文档

状态: 基础置信度衰减已实现。下一步：集成智能冲突检测和整合算法。最后更新：2026-04-13。

Reference in New Issue View Git Blame Copy Permalink