NeuroTIC：基于双代理架构的自主知识图谱构建引擎\n\n## 项目背景与动机\n\n在知识爆炸的时代，如何有效地组织和理解复杂领域知识成为关键挑战。传统的知识图谱构建依赖大量人工标注和领域专家，成本高昂且难以扩展。NeuroTIC 应运而生，它试图通过自主智能体系统，让机器能够像人类研究者一样，从少量种子概念出发，自动探索、关联并扩展出完整的知识网络。\n\n## 核心架构设计\n\nNeuroTIC 采用独特的双代理架构（Dual-Agent Architecture），两个专门化的智能体协同工作：\n\n### 探索代理（Explorer Agent）\n\n探索代理负责在知识空间中"游走"，发现新的概念和关系。它通过分析现有图谱中的节点，识别出值得深入探索的方向，并主动提出新的查询和假设。这一角色类似于研究者在文献综述阶段的广泛阅读和信息收集。\n\n### 扩展代理（Expander Agent）\n\n扩展代理则专注于深化已发现的概念。当探索代理识别出潜在有价值的节点后，扩展代理负责挖掘该节点的详细属性、关联概念和上下文信息，将其充分展开并整合到知识图谱中。这一角色对应研究者的深入分析和知识整合阶段。\n\n## 技术栈选择\n\nNeuroTIC 的技术选型体现了对隐私、成本和可扩展性的平衡考量：\n\n### CozoDB 图数据库\n\n项目选用 CozoDB 作为底层存储，这是一款支持 Datalog 查询语言的嵌入式图数据库。相比 Neo4j 等重型方案，CozoDB 具有轻量、高性能的特点，特别适合本地部署和原型验证场景。其 Datalog 支持使得复杂的关系查询变得简洁优雅。\n\n### Ollama 本地大语言模型\n\n在 AI 能力层面，NeuroTIC 通过 Ollama 集成本地运行的开源大语言模型。这一选择带来多重优势：数据隐私得到保障，无需将敏感信息发送到云端；API 调用成本为零，适合大规模知识抽取任务；同时支持模型热切换，可根据任务复杂度灵活选择不同规模的模型。\n\n## 工作流程解析\n\nNeuroTIC 的运行流程呈现清晰的阶段性特征：\n\n种子注入阶段：用户提供一个初始概念或上传源文档，系统将其解析为种子节点注入图谱。\n\n迭代探索阶段：探索代理开始工作，基于当前图谱结构提出扩展建议，识别出高价值的探索方向。\n\n深度扩展阶段：扩展代理接管，对探索代理发现的新节点进行详细分析，提取属性、建立关系、生成描述。\n\n质量验证阶段：系统内置一致性检查机制，确保新增知识的逻辑自洽，避免矛盾信息的累积。\n\n循环优化阶段：上述过程持续迭代，知识图谱在多次循环中逐渐丰满和完善。\n\n## 应用场景展望\n\nNeuroTIC 的自主知识构建能力在多个领域具有应用潜力：\n\n学术研究领域，研究者可以利用 NeuroTIC 快速构建某一研究主题的文献知识网络，发现潜在的研究空白和交叉机会。企业知识管理场景中，NeuroTIC 能够从分散的内部文档中自动提取和组织知识，构建企业专属的知识资产库。在个人学习辅助方面，学习者可以输入感兴趣的领域关键词，让 NeuroTIC 生成结构化的学习路径和概念地图。\n\n## 开源价值与社区意义\n\n作为完全开源的项目，NeuroTIC 不仅提供了可运行的代码，更展示了一种新的知识工程范式。它证明了通过智能体协作和本地 AI 能力，知识图谱的构建门槛可以大幅降低。对于希望探索 AI 驱动知识管理的开发者和研究者，NeuroTIC 提供了一个极佳的起点和参考实现。