타입된 지식 그래프에서 하향식 유추 이해 및 쓰기 시간 지능

Grokers는 지속적인, 구조화된 타입이 지정된 지식 그래프의 이해를 위해 의존성 서브 그래프의 하위 레벨 수식적 탐색을 통해 설계된 아키텍처입니다. 정보의 이해 비용이 모든 쿼리에서 지불되는 retrieval-augmented generation (RAG)과 달리, Grokers는 지능을 쿼리 시간에 밀어 넣습니다: 자율적인 Groker agent는 타입이 지정된 스트림 그래프의 노드를 분석하고, governed language model (LM) 호출을 통해 구조화된 특성을 추출하고, 의존성 관계를 통해 이해를 상승시키며, 모든 미래 쿼리에서 LM 비용이 추가되지 않도록 enrich된 타입이 지정된 특성을 기록합니다. 우리는 세 가지 공식적 속성을 증명합니다: 1. Byte-Identity Theorem: 상호 작용이 트랜잭션으로 유지되는 데노말라이제이션 인덱스에서 assembled한 context blocks가 의미 변화 사이의 LM 턴 간에 바이트 동일하다는 것을establishing, KV 캐시 히트율이 100%에 접근하는 것을 허용합니다. 2. Accumulation Monotonicity Theorem: governed wisdom library growth protocol에 따라 완료된 상호 작용의 수에 따라 LM 호출 없이 해결된 상호 작용의 비율이 증가한다는 것을 establishing합니다. 3. Dual-Traversal Ordering Theorem: 의존성 DAG에서 상위-아래 생성 및 하위-위 생성은 각각의 작업에 대해 유일한 올바른 순서로 traversal ordering이기 때문에 그들의 합성은 완전한 생성-해석 순환으로 닫힌다는 것을 establishing합니다.