@furongjun1999/dsh-memory 0.4.10 → 0.5.0

package/md_cg/subgraph.py

@@ -1,729 +1,729 @@
-# -*- coding: utf-8 -*-
-"""嵌套子图（nested subgraph）：结构要素的可递归表示 + flatten。
-
-对齐 AEIS《认知图写入纪律 v1.0》四要素中的第三项：
-    subgraph = 内部子内容（可嵌套：子节点 + 边），角色＝结构（可检索/可递归）。
-
-与 AEIS 的两处**有意差异**（都有工程理由，不是简化）：
-
-1) 存储形态：AEIS 把子节点**内联**在父节点 `subgraph.nodes` 里
-   （`aeis/image_semantics_cg.py:37-57`）。md_cg 的检索粒度是「节点 = 文件」
-   （RRF 按节点召回），内联子节点无法被任何检索路单独命中，会违背「子图可检索」
-   这一规范本身。故 md_cg 采用**引用式**：`subgraph.nodes` 存子节点 id，
-   子节点各自是独立 `.md`，可被 lexical/entity/chain 等路独立召回。
-   同时兼容内联写法（`{"id": ...}` 对象）以承接 AEIS 语料。
-
-2) 递归深度：AEIS 明确「深度上限不是协议常数，数据驱动，= 可分性条件的自然耗尽」
-   （`子部件提取_理论稿_v0.4.md:146-150`）。故 `max_depth=None` 表示一直展开到
-   自然耗尽（无子节点）；`max_depth=k` 只是工程硬截断，会置 `truncated=True`。
-
-父边唯一（每个节点至多一个 `part_of` 父）——`子部件提取_理论稿_v0.4.md:105`；
-违反者由 `validate()` 报 `multi_parent`，对齐「树形不一致 → 退回 DEFER」。
-"""
-from __future__ import annotations
-
-import hashlib
-import os
-import re
-import time
-
-from .fsutil import append_jsonl
-
-MAX_DEPTH_HARD = 64          # 工程硬截断上限（防止畸形数据把遍历拖爆）
-MAX_NODES_DEFAULT = 2000     # 单次展开的节点上限
-
-# ---- 模式分离（maintain.separate）参数 -----------------------------------
-MAINTAIN_LOG = "_maintain.jsonl"
-SEP_MIN_JACCARD = 0.55       # 内容相似度下限（越高＝越像，才值得谈分离）
-SEP_MAX_COND_OVERLAP = 0.35  # 条件重合上限（越高＝条件越同，就该合并而非分离）
-SEP_MAX_NODES = 400          # 单次扫描节点上限（防 O(N²) 读盘爆炸）
-SEP_MAX_PAIRS = 50           # 单次返回/落库的候选对上限
-
-
-# 生效条件：fm 为假值或 fm.get("subgraph") 取值为假（None/[]/{}/空串）时直接返回 {'nodes': [], 'edges': []}；subgraph 为 list/tuple 时其元素作节点、边记空列表，为 dict 时节点取 sg.get("nodes")（缺键或假值回落 []）、边取 sg.get("edges")（同样回落），为其他类型仍返回空；节点项为 dict 时取 n.get("id")、否则取元素本身，nid 为 None 跳过，仅当 str(nid).strip() 非空且未出现过才追加；边只保留 isinstance(e, dict) 的项；
-def declared(fm):
-    """规范化 `frontmatter.subgraph` → `{"nodes": [id...], "edges": [edge...]}`。
-
-    兼容三种写法：
-        {"nodes": ["a", "b"], "edges": [...]}     引用式（md_cg 主用）
-        ["a", "b"]                                纯 id 列表
-        {"nodes": [{"id": "a"}, ...]}             内联式（AEIS 原样，只取 id）
-    """
-    sg = (fm or {}).get("subgraph")
-    if not sg:
-        return {"nodes": [], "edges": []}
-    if isinstance(sg, (list, tuple)):
-        raw_nodes, raw_edges = list(sg), []
-    elif isinstance(sg, dict):
-        raw_nodes, raw_edges = list(sg.get("nodes") or []), list(sg.get("edges") or [])
-    else:
-        return {"nodes": [], "edges": []}
-    nodes = []
-    for n in raw_nodes:
-        nid = n.get("id") if isinstance(n, dict) else n
-        if nid is None:
-            continue
-        nid = str(nid).strip()
-        if nid and nid not in nodes:
-            nodes.append(nid)
-    return {"nodes": nodes, "edges": [e for e in raw_edges if isinstance(e, dict)]}
-
-
-# 生效条件：当 getattr(cg,"index",None) 的 nodes 字典中存在 nid（entry 非 None）且 "subgraph" in entry 时，返回 {'id': nid, 'subgraph': entry.get("subgraph"), 'edges': entry.get("edges") or []}（subgraph 值为 None 也照样返回）；否则改走 cg.get(nid)，返回 (node or {}).get("frontmatter") or {}，节点不存在或 frontmatter 为假值时得空 dict；
-def _fm(cg, nid):
-    """取节点 frontmatter：优先索引快照（免 IO），快照缺字段时回退读文件。"""
-    entry = ((getattr(cg, "index", None) or {}).get("nodes") or {}).get(nid)
-    if entry is not None and "subgraph" in entry:
-        return {"id": nid, "subgraph": entry.get("subgraph"),
-                "edges": entry.get("edges") or []}
-    node = cg.get(nid)
-    return (node or {}).get("frontmatter") or {}
-
-
-# --------------------------------------------------------------------------
-# 迁移边适配：源 sqlite 认知图 → md_cg 本地边
-# --------------------------------------------------------------------------
-# 源库的 `hierarchical` 方向是 **source=父、target=子**（白箱
-# `wisdom-book-cloud.db` 全量实测：`source_is_parent=2832`、`target_is_parent=0`）。
-# md_cg 的父边约定与其**相反**：`part_of` 表示「本节点是子、target 是父」
-# （见下方 children_index）。若把源库 hierarchical 原样搬进来，树会整体倒置；
-# 故迁移时翻译成语义等价的 `contains`（本节点是父、target 是子）。
-SRC_REL_MAP = {"hierarchical": "contains"}
-
-
-# 生效条件：rel 先经 str(rel or "").strip().lower() 归一（None/空串得 ""），返回 {'target': str(tgt), 'relation_type': SRC_REL_MAP.get(rel, rel), 'confidence': confidence, 'verified': verified}——归一后的 rel 命中模块常量 SRC_REL_MAP 时用映射值、未命中（含 rel 为空串）时原样保留，confidence/verified 直接透传默认 1.0/0 的实参不做校验；
-def normalize_edge(tgt, rel, confidence=1.0, verified=0):
-    """源库边 → md_cg 本地边（迁移器专用）。做两件事：
-
-    1) 键名统一为 `relation_type`。`children_index` / `parents_index` 只认
-       `relation_type` / `relation`；早期迁移器写的 `"type"` 会被静默忽略
-       （`chain.edge_rel` 兼容 `type`，但 `subgraph` 不兼容），使迁入的图不可遍历。
-    2) 方向按 `SRC_REL_MAP` 翻译（源库 hierarchical = source 是父）。
-    """
-    rel = str(rel or "").strip().lower()
-    return {"target": str(tgt), "relation_type": SRC_REL_MAP.get(rel, rel),
-            "confidence": confidence, "verified": verified}
-
-
-# 生效条件：cg 的 `_subgraph_children` 不为 None 时原样返回该缓存字典，否则遍历 cg.index["nodes"] 的键，用 declared(fm)["nodes"] 收子节点、并按边 rel 为 part_of/hierarchical（target 记为父、当前 pid 记为子）或 parent_of/contains（当前 pid 记为父、target 记为子，target 为 None 则该边跳过）补全 parent_id→[child_id] 索引，回写 cg._subgraph_children 后返回 idx；
-def children_index(cg):
-    """全局正查：parent_id → [child_id...]（声明式 ∪ 边式，一次 O(N) 后缓存）。"""
-    idx = getattr(cg, "_subgraph_children", None)
-    if idx is not None:
-        return idx
-    idx = {}
-    for pid in list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys()):
-        fm = _fm(cg, pid)
-        for ch in declared(fm)["nodes"]:
-            idx.setdefault(pid, [])
-            if ch not in idx[pid]:
-                idx[pid].append(ch)
-        for e in (fm.get("edges") or []):
-            if not isinstance(e, dict):
-                continue
-            # 兼容历史语料：早期迁移器把关系类型写在 `type` 键（`migrate.py:43`、
-            # `migrate_aeis.py:99`），写侧已按 `normalize_edge` 修正，读侧一并容错。
-            rel = str(e.get("relation_type") or e.get("relation") or e.get("type")
-                      or "").strip().lower()
-            tgt = e.get("target") or e.get("target_id")
-            if tgt is None:
-                continue
-            tgt = str(tgt).strip()
-            if rel in ("part_of", "hierarchical"):      # 本节点是子，target 是父
-                idx.setdefault(tgt, [])
-                if pid not in idx[tgt]:
-                    idx[tgt].append(pid)
-            elif rel in ("parent_of", "contains"):      # 本节点是父，target 是子
-                idx.setdefault(pid, [])
-                if tgt not in idx[pid]:
-                    idx[pid].append(tgt)
-    try:
-        cg._subgraph_children = idx
-    except Exception:
-        pass
-    return idx
-
-
-# 生效条件：返回 list(children_index(cg).get(nid) or [])，即 nid 在索引中无键或对应值为空（None/空列表）时得空列表，否则返回其子 id 的浅拷贝列表；
-def children(cg, nid):
-    """直接子节点 id 列表：`subgraph.nodes` 声明 ∪ 边式父子关系。"""
-    return list(children_index(cg).get(nid) or [])
-
-
-# 生效条件：cg 的 `_subgraph_parents` 不为 None 时原样返回该缓存字典，否则遍历 cg.index["nodes"] 的键，用 declared(fm)["nodes"] 把 pid 记为每个子节点的父、并按边 rel 为 part_of/hierarchical（target 记为 pid 的父）或 parent_of/contains（pid 记为 target 的父，target 为 None 则该边跳过）补全 child_id→[parent_id] 索引，回写 cg._subgraph_parents 后返回 idx；
-def parents_index(cg):
-    """全局反查：child_id → [parent_id...]（供 children/validate 复用，一次 O(N)）。"""
-    idx = getattr(cg, "_subgraph_parents", None)
-    if idx is not None:
-        return idx
-    idx = {}
-    for pid in list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys()):
-        for ch in declared(_fm(cg, pid))["nodes"]:
-            idx.setdefault(ch, [])
-            if pid not in idx[ch]:
-                idx[ch].append(pid)
-        for e in (_fm(cg, pid).get("edges") or []):
-            if not isinstance(e, dict):
-                continue
-            rel = str(e.get("relation_type") or e.get("relation") or e.get("type")
-                      or "").strip().lower()
-            tgt = e.get("target") or e.get("target_id")
-            if tgt is None:
-                continue
-            tgt = str(tgt).strip()
-            # 与 children_index 逐字对称，只是方向取反：
-            #   part_of / hierarchical → 本节点是子，故 target 是本节点的父
-            #   parent_of / contains   → 本节点是父，故本节点是 target 的父
-            if rel in ("part_of", "hierarchical"):
-                idx.setdefault(pid, [])
-                if tgt not in idx[pid]:
-                    idx[pid].append(tgt)
-            elif rel in ("parent_of", "contains"):
-                idx.setdefault(tgt, [])
-                if pid not in idx[tgt]:
-                    idx[tgt].append(pid)
-    try:
-        cg._subgraph_parents = idx
-    except Exception:
-        pass
-    return idx
-
-
-# 生效条件：无条件执行——把 cg 的 _subgraph_parents 与 _subgraph_children 依次 setattr 为 None（setattr 抛异常被 except 吞掉后继续下一个），无返回值，与 cg 是否已建有缓存无关；
-def invalidate_cache(cg):
-    """写入/删除节点后调用，丢弃父子正查/反查缓存。"""
-    for attr in ("_subgraph_parents", "_subgraph_children"):
-        try:
-            setattr(cg, attr, None)
-        except Exception:
-            pass
-
-
-# 生效条件：取 parents_index(cg).get(nid) or []，列表非空时返回其首元素，键缺失或值为空/假（None、[]）时返回 None；多父时只返回第一个，不在此处报歧义；
-def parent_of(cg, nid):
-    """唯一父（多父时返回第一个并置 `ambiguous` 标记由 validate 报出）。"""
-    ps = parents_index(cg).get(nid) or []
-    return ps[0] if ps else None
-
-
-# 生效条件：max_depth 非 None 时先 max(0, min(int(max_depth), MAX_DEPTH_HARD)) 收敛；以 nid 为根迭代 DFS，已入 seen 的节点跳过，len(seen) >= max_nodes（max_nodes 传 0 时首次循环即成立）置 truncated=True 并 break，depth >= max_depth 且 children 非空时置 truncated=True 并 continue，否则对 children(cg,cur) 逆序、对未出现过的 (ch,cur) 追加 part_of 边并压栈；返回 {'root','nodes','paths','edges','n_nodes','n_edges','truncated'}；
-def expand(cg, nid, max_depth=None, max_nodes=MAX_NODES_DEFAULT):
-    """递归展开子树（迭代 DFS，防递归深度爆栈）。
-
-    返回 `{"root","nodes","paths","edges","n_nodes","n_edges","truncated"}`；
-    `paths` 为 `节点 id → "根/子/孙"` 层级路径（flatten 后仍可定位来源）。
-    边为 `part_of(child→parent)`，与 AEIS flatten 的方向一致。
-    """
-    if max_depth is not None:
-        max_depth = max(0, min(int(max_depth), MAX_DEPTH_HARD))
-    seen, edges, truncated = {}, [], False
-    seen_edges = set()
-    stack = [(nid, 0, nid)]
-    while stack:
-        cur, depth, path = stack.pop()
-        if cur in seen:
-            continue
-        if len(seen) >= max_nodes:
-            truncated = True
-            break
-        seen[cur] = path
-        if max_depth is not None and depth >= max_depth:
-            if children(cg, cur):
-                truncated = True
-            continue
-        kids = children(cg, cur)
-        for ch in reversed(kids):
-            key = (ch, cur)
-            if key not in seen_edges:
-                seen_edges.add(key)
-                edges.append({"source": ch, "target": cur,
-                              "relation_type": "part_of",
-                              "confidence": 1.0, "verified": 0})
-            if ch not in seen:
-                stack.append((ch, depth + 1, f"{path}/{ch}"))
-    return {"root": nid, "nodes": list(seen.keys()), "paths": seen,
-            "edges": edges, "n_nodes": len(seen), "n_edges": len(edges),
-            "truncated": truncated}
-
-
-# 生效条件：先调用 expand(cg, nid, max_depth=max_depth, max_nodes=max_nodes)，对其中每条边复制一份并追加 source/target 互换、relation_type="parent_of"、confidence/verified 沿用原边 .get(…,1.0/0) 的反向边；返回 root=nid、nodes=ex["nodes"]、paths=ex["paths"]、n_nodes=ex["n_nodes"]、n_edges=双边后条数、truncated=ex["truncated"]；
-def flatten(cg, nid, max_depth=None, max_nodes=MAX_NODES_DEFAULT):
-    """把嵌套子图摊平成「节点 + 边」，父子生成**对称双边**。
-
-    对齐 AEIS `flatten_image_semantics_graph`（`image_semantics_cg.py:151-173`）：
-    每个有父的节点同时产出 `part_of(child→parent)` 与 `parent_of(parent→child)`。
-    检索侧因此既能「从父找子」（下钻），也能「从子找父」（溯源）。
-    """
-    ex = expand(cg, nid, max_depth=max_depth, max_nodes=max_nodes)
-    edges = []
-    for e in ex["edges"]:
-        edges.append(dict(e))
-        edges.append({"source": e["target"], "target": e["source"],
-                      "relation_type": "parent_of",
-                      "confidence": e.get("confidence", 1.0),
-                      "verified": e.get("verified", 0)})
-    return {"root": nid, "nodes": ex["nodes"], "edges": edges, "paths": ex["paths"],
-            "n_nodes": ex["n_nodes"], "n_edges": len(edges),
-            "truncated": ex["truncated"]}
-
-
-# 生效条件：known 取 cg.index 的 nodes 键集合，仅当 parents_index(cg).get(nid) or [] 为空（键缺失或空列表）的 nid 才视为树根，返回其排序后的 id 列表；
-def roots(cg):
-    """无父节点（树根）的 id 列表。"""
-    known = set(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys())
-    pmap = parents_index(cg)
-    return sorted(nid for nid in known if not (pmap.get(nid) or []))
-
-
-# 生效条件：known 取 cg.index 的 nodes 键列表，max_scan 为真值时截断为 known[:int(max_scan)]；逐 pid 遍历 declared(_fm(cg,pid))["nodes"]：ch==pid 记 self_loop 并 continue（不再进入悬空/多父判断），ch 不在 known_set 记 dangling_child，随后 parent 中已有 ch 且 prev != pid 记 multi_parent、否则写 parent[ch]=pid；再沿 parent 指针上溯，遇本路径已访问节点记 cycle；_issue 仅在 len(issues) < limit*4 时追加（limit 为 0 时 0<0 不成立，不追加任何 issue）；返回 scanned、issues=len(issues)、items=issues[:limit]、truncated=len(issues)>limit；
-def validate(cg, limit=50, max_scan=None):
-    """树一致性校验：自环 / 悬空子节点 / 多父 / 环。
-
-    对齐 AEIS：父边唯一、拓扑无矛盾、树形不一致 → 该层判定退回 DEFER
-    （`子部件提取_理论稿_v0.4.md:105-107`）。
-    """
-    known = list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys())
-    if max_scan:
-        known = known[:int(max_scan)]
-    known_set = set(known)
-    parent, issues = {}, []
-
-# 生效条件：仅当 len(issues) < limit*4 时把 kw 追加进 issues（限流防报告膨胀）；无返回值，只改外层 issues；
-    def _issue(**kw):
-        if len(issues) < limit * 4:
-            issues.append(kw)
-
-    for pid in known:
-        for ch in declared(_fm(cg, pid))["nodes"]:
-            if ch == pid:
-                _issue(id=pid, issue="self_loop", child=ch)
-                continue
-            if ch not in known_set:
-                _issue(id=pid, issue="dangling_child", child=ch)
-            prev = parent.get(ch)
-            if prev is not None and prev != pid:
-                _issue(id=ch, issue="multi_parent", parents=sorted({prev, pid}))
-            else:
-                parent[ch] = pid
-
-    # 环检测：沿 parent 指针上溯，遇本路径已访问节点即成环
-    for nid in known:
-        path, cur = [], nid
-        while cur is not None:
-            if cur in path:
-                _issue(id=cur, issue="cycle", path=path[path.index(cur):] + [cur])
-                break
-            path.append(cur)
-            cur = parent.get(cur)
-
-    return {"scanned": len(known), "issues": len(issues),
-            "items": issues[:limit], "truncated": len(issues) > limit}
-
-
-# ==========================================================================
-# 模式分离（maintain.separate）
-# ==========================================================================
-#
-# 问题：两条记忆**内容高度相似但生效条件不同**。若放任不管，检索会把它们混为
-# 一体——按 A 的条件召回、却拿到 B 的结论。海马体的做法是 pattern separation：
-# 把相似但情境不同的表征拆开，各挂各的条件线索。
-#
-# 本层的工程兑现（保守、可逆、幂等）：
-#   · 不动正文（不制造第二份真相），只加**对称分离边** `distinct_from`；
-#   · 边携带 reason + 判定分量，供后续重构/审计追溯；
-#   · 条件**相同**的相似对**不是**分离候选（那是重复，该走 MERGE）。
-
-# 生效条件：cg.get(nid) 为假值（None/{}）时返回 None；否则取 fm=node.get("frontmatter") or {}、content=node.get("content") or ""，返回 {'grams': bigrams(forgetting.payload(content)), 'pos','neg': consistency.condition_terms(fm, content) 的结果, 'layer': fm.get("layer")}——grams 为空也照常返回该字典，不返回 None；
-def _node_terms_and_grams(cg, nid):
-    """读取节点并返回 (payload 二元组, 正条件词面, 负条件词面)；不可读返回 None。"""
-    from . import consistency, forgetting
-    from .mdcg import bigrams          # 惰性导入：避开 mdcg↔subgraph 循环
-    node = cg.get(nid)
-    if not node:
-        return None
-    fm = node.get("frontmatter") or {}
-    content = node.get("content") or ""
-    grams = bigrams(forgetting.payload(content))
-    pos, neg = consistency.condition_terms(fm, content)
-    return {"grams": grams, "pos": pos, "neg": neg, "layer": fm.get("layer")}
-
-
-# 生效条件：pool 初取 cg.index 的 nodes 键，layer 为假值（None/""）时不按层过滤、否则只留 e.get("layer")==layer 的 nid，ids 为真值时只留 str(x) 属于该集合的 nid；pool 排序后 truncated=len(pool)>int(max_nodes)、并截为前 int(max_nodes) 个；只有 _node_terms_and_grams 返回非 None 且 grams 非空的节点进 cache；对 cache 键两两比较——无公共 bigram 跳过、jaccard 小于 float(min_jaccard) 跳过、condition_distinct 的 distinct 为假或 overlap > float(max_cond_overlap) 跳过，其余成候选并按 (-jaccard,a,b) 排序；返回 scanned、compared、candidates=out[:int(limit)]、total_candidates、truncated、note；
-def separation_pairs(cg, layer=None, ids=None, max_nodes=SEP_MAX_NODES,
-                     min_jaccard=SEP_MIN_JACCARD,
-                     max_cond_overlap=SEP_MAX_COND_OVERLAP,
-                     limit=SEP_MAX_PAIRS):
-    """找出「内容高度相似、条件却不同」的节点对（模式分离候选）。
-
-    返回 {scanned, compared, candidates:[{a,b,jaccard,cond_overlap,distinct,reason}],
-          truncated, note}。只读，不写盘。
-    """
-    from . import consistency
-    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
-    pool = [nid for nid, e in nodes.items()
-            if (not layer or e.get("layer") == layer)]
-    if ids:
-        want = {str(x) for x in ids}
-        pool = [nid for nid in pool if nid in want]
-    pool.sort()
-    truncated = len(pool) > int(max_nodes)
-    pool = pool[:int(max_nodes)]
-    cache = {}
-    for nid in pool:
-        got = _node_terms_and_grams(cg, nid)
-        if got and got["grams"]:
-            cache[nid] = got
-    keys = sorted(cache.keys())
-    out, compared = [], 0
-    for i in range(len(keys)):
-        gi = cache[keys[i]]["grams"]
-        for j in range(i + 1, len(keys)):
-            gj = cache[keys[j]]["grams"]
-            inter = len(gi & gj)
-            if not inter:
-                continue
-            compared += 1
-            jac = inter / float(len(gi | gj) or 1)
-            if jac < float(min_jaccard):
-                continue
-            a, b = keys[i], keys[j]
-            cd = consistency.condition_distinct(
-                cache[a]["pos"], cache[a]["neg"],
-                cache[b]["pos"], cache[b]["neg"])
-            if not cd["distinct"] or cd["overlap"] > float(max_cond_overlap):
-                continue                       # 条件相同 → 是重复，不是分离
-            out.append({
-                "a": a, "b": b,
-                "a_layer": cache[a]["layer"], "b_layer": cache[b]["layer"],
-                "jaccard": round(jac, 4), "cond_overlap": cd["overlap"],
-                "reason": (f"内容相似 {jac:.2f} 但条件重合仅 {cd['overlap']:.2f}"
-                           f"（相似而不同情境，需分离）"),
-                "a_conditions": sorted(cache[a]["pos"] | cache[a]["neg"])[:6],
-                "b_conditions": sorted(cache[b]["pos"] | cache[b]["neg"])[:6],
-            })
-    out.sort(key=lambda x: (-x["jaccard"], x["a"], x["b"]))
-    return {"scanned": len(keys), "compared": compared,
-            "candidates": out[:int(limit)],
-            "total_candidates": len(out), "truncated": truncated,
-            "note": "只读候选；apply=True 才写分离边"}
-
-
-# 生效条件：batch 为假值（None 或空串）时回落到 time.strftime("%Y%m%d-%H%M%S")；按 (a,b)、(b,a) 两向处理：cg.get(src) 为假值跳过，dst 已出现在 consistency.separation_targets(fm) 中跳过，否则往 fm["edges"] 追加 distinct_from 边、向 fm["pattern_separated_from"] 追加 dst，按 os.path.join(cg.root, e.get("path") or f"{src}.md") 调 cg._write_node 写盘并追加 MAINTAIN_LOG 行，src 记入 written；返回 {'a','b','written','batch'}；
-def mark_separated(cg, a, b, reason="", actor="maintain", batch=None):
-    """写入 (a↔b) 对称 `distinct_from` 边（幂等：已存在则不重复写）。"""
-    from . import consistency
-    batch = batch or time.strftime("%Y%m%d-%H%M%S")
-    written = []
-    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
-    for src, dst in ((a, b), (b, a)):
-        node = cg.get(src)
-        if not node:
-            continue
-        fm = node.get("frontmatter") or {}
-        edges = list(fm.get("edges") or [])
-        if dst in consistency.separation_targets(fm):
-            continue
-        edges.append({"target": dst, "relation_type": consistency.SEPARATION_REL,
-                      "reason": reason, "created_at": time.time(),
-                      "confidence": 1.0, "verified": 0})
-        fm["edges"] = edges
-        sep = list(fm.get("pattern_separated_from") or [])
-        if dst not in sep:
-            sep.append(dst)
-        fm["pattern_separated_from"] = sep
-        e = nodes.get(src) or {}
-        path = os.path.join(cg.root, e.get("path") or f"{src}.md")
-        cg._write_node(src, path, fm, node.get("content") or "")
-        if e:
-            e["edges"] = edges
-        written.append(src)
-        append_jsonl(os.path.join(cg.root, MAINTAIN_LOG), {
-            "t": time.time(), "action": "separate", "batch": batch,
-            "from": src, "to": dst, "reason": reason, "actor": actor})
-    return {"a": a, "b": b, "written": written, "batch": batch}
-
-
-# 生效条件：pairs 为 None 时调 separation_pairs 取 candidates 与 meta（scanned/compared/truncated/total_candidates），否则 cands=list(pairs) 且 meta 中 scanned/compared 记 0、truncated 记 False、total_candidates=len(cands)；apply 为真值时先生成统一 batch=time.strftime(...)，逐个候选调 mark_separated(..., batch=batch)，written 非空且 cg 有 rebuild_index 时调 cg.rebuild_index()、否则调 invalidate_cache(cg)，apply 为假值时不写盘；返回 ok、action='separate'、dry_run=not apply、layer、candidates、written、written_count、elapsed_ms、log 与 meta、note；
-def separate_run(cg, layer=None, pairs=None, apply=False, ids=None,
-                 min_jaccard=SEP_MIN_JACCARD, limit=SEP_MAX_PAIRS,
-                 actor="maintain"):
-    """模式分离：扫描相似但条件不同的节点对，按需写入对称分离边。
-
-    apply=False（默认）只出候选报表（对应计划「可预演」）。
-    """
-    t0 = time.time()
-    if pairs is None:
-        rep = separation_pairs(cg, layer=layer, ids=ids,
-                               min_jaccard=min_jaccard, limit=limit)
-        cands = rep["candidates"]
-        meta = {k: rep[k] for k in ("scanned", "compared", "truncated",
-                                    "total_candidates")}
-    else:
-        cands = list(pairs)
-        meta = {"scanned": 0, "compared": 0, "truncated": False,
-                "total_candidates": len(cands)}
-    written = []
-    if apply:
-        batch = time.strftime("%Y%m%d-%H%M%S")
-        for c in cands:
-            written.append(mark_separated(cg, c["a"], c["b"],
-                                          reason=c.get("reason", ""),
-                                          actor=actor, batch=batch))
-        if written and hasattr(cg, "rebuild_index"):
-            cg.rebuild_index()          # 边写盘后重建索引 + 清子图缓存
-        else:
-            invalidate_cache(cg)
-    return {"ok": True, "action": "separate", "dry_run": not apply,
-            "layer": layer, "candidates": cands, "written": written,
-            "written_count": len(written), "elapsed_ms": int((time.time() - t0) * 1000),
-            "log": MAINTAIN_LOG, **meta,
-            "note": ("dry-run：未写盘；apply=True 才写分离边" if not apply
-                     else f"已写 {len(written)} 对对称分离边")}
-
-
-# ==========================================================================
-# 情景重构（insight.reconstruct）
-# ==========================================================================
-#
-# 问题：记忆被检索回来时，往往只剩一条「结论」，它当时**为什么成立**（生效条件 /
-# 不适用条件 / 同行情境）已经散落在相邻节点里。情景重构做的就是：由给定线索
-# （词面 / 节点 id）反推当时的**条件空间**，把散落的场景要素重新聚在一起。
-#
-# 与检索（read/route）的区别：检索按「当前查询」做资格判定；重构按「线索」做
-# **条件空间复原**，输出条件结构而非排序结果，用于回答「这件事成立于什么条件」。
-#
-# 诚实边界：
-#   · 重构是条件空间的**近似重建**，不是事件回放（输出显式标注）；
-#   · 定位不到任何锚点时判 blindspot，**不得凭空编造条件空间**。
-
-RECON_MIN_SCORE = 0.15        # 词面命中下限（低于此不算锚点）
-RECON_MAX_NODES = 80          # 单次扫描节点上限（防 O(N) 读盘爆炸）
-RECON_MAX_ANCHORS = 12        # 锚点上限
-RECON_NEIGHBOR_LIMIT = 24     # 每锚点取的邻居上限
-RECON_COMMON_SHARE = 0.5      # 共同条件判定：≥ 半数锚点共享
-RECON_SCENE_PREFIX = "scene_"
-
-
-# 生效条件：clues 为 None 时返回 []；clues 为 str 时包装成单元素列表；逐项取 str(c or "").strip().lower()，空串跳过，整串去重入 out，再按 re.split(r"[\s,，、;；/|]+") 切词、去重后追加；返回 out；
-def _clue_terms(clues):
-    """线索归一化：字符串 / 列表 → 去重词面（保留整串 + 切分后的词）。"""
-    if clues is None:
-        return []
-    if isinstance(clues, str):
-        clues = [clues]
-    out = []
-    for c in clues:
-        s = str(c or "").strip().lower()
-        if not s:
-            continue
-        if s not in out:
-            out.append(s)
-        for w in re.split(r"[\s,，、;；/|]+", s):
-            w = w.strip()
-            if w and w not in out:
-                out.append(w)
-    return out
-
-
-# 生效条件：term_sets 为假值（None/[]）时返回 []；否则对每个集合的 set(s or ()) 统计词面出现次数，need = max(2, int(len(term_sets)*RECON_COMMON_SHARE) 向上取整)，返回出现次数 >= need 的词面排序列表（阈值取自模块常量 RECON_COMMON_SHARE）；
-def _shared_terms(term_sets):
-    """出现在 ≥ RECON_COMMON_SHARE 比例集合中的词面（且至少 2 个集合共享）。"""
-    if not term_sets:
-        return []
-    cnt = {}
-    for s in term_sets:
-        for t in set(s or ()):
-            cnt[t] = cnt.get(t, 0) + 1
-    need = max(2, int(len(term_sets) * RECON_COMMON_SHARE) + (1 if len(term_sets) * RECON_COMMON_SHARE % 1 else 0))
-    return sorted(t for t, c in cnt.items() if c >= need)
-
-
-# 生效条件：按 term_sets 原顺序遍历每个集合的 sorted(s or ())，首次出现的词面追加到 seen，返回 seen[:limit]（limit 默认 99，传 0 时切片为空列表，无 or 回落）；
-def _uniq_terms(term_sets, limit=99):
-    seen = []
-    for s in term_sets:
-        for t in sorted(s or ()):
-            if t not in seen:
-                seen.append(t)
-    return seen[:limit]
-
-
-# 生效条件：bigrams(" ".join(clue_terms)) 为空时返回 []；否则遍历 pool，cg.get(nid) 为假值、或 forgetting.payload 后 bigrams 为空、或与 clue_grams 无交集时跳过，否则 jac=inter/len(并集 or 1)、exact 为 clue_terms 中非空且作为子串出现在 body 的个数，score=jac+0.05*exact，仅 score >= RECON_MIN_SCORE 才收录，最终按 (-score, nid) 排序返回；
-def _anchor_scores(cg, pool, clue_terms):
-    """按词面重合给候选锚点打分（返回 [(nid, score, shared, exact)]，降序）。"""
-    from . import forgetting
-    from .mdcg import bigrams
-    clue_grams = bigrams(" ".join(clue_terms))
-    if not clue_grams:
-        return []
-    scored = []
-    for nid in pool:
-        node = cg.get(nid)
-        if not node:
-            continue
-        body = forgetting.payload(node.get("content") or "")
-        grams = bigrams(body)
-        if not grams:
-            continue
-        inter = len(grams & clue_grams)
-        if not inter:
-            continue
-        jac = inter / float(len(grams | clue_grams) or 1)
-        exact = sum(1 for t in clue_terms if t and t in body)
-        score = jac + 0.05 * exact
-        if score >= RECON_MIN_SCORE:
-            scored.append((nid, round(score, 4), inter, exact))
-    scored.sort(key=lambda x: (-x[1], x[0]))
-    return scored
-
-
-# 生效条件：对 anchor_ids 中每个 nid，cg.get(nid) 为假值跳过，否则取 fm 与 consistency.condition_terms 得 pos/neg，per[nid] 记为 {"effective": sorted(pos)[:8], "non_applicable": sorted(neg)[:8]}；返回 common=_shared_terms(pos_sets)、individual=_uniq_terms(pos_sets) 中不在 common 的项、non_applicable=_uniq_terms(neg_sets)、declared=list(declared_terms or [])、per_anchor=per；
-def _condition_space(cg, anchor_ids, declared_terms=None):
-    """合成锚点群的条件空间：共同条件 / 个别条件 / 不适用条件 / 逐锚点明细。"""
-    from . import consistency
-    pos_sets, neg_sets, per = [], [], {}
-    for nid in anchor_ids:
-        node = cg.get(nid)
-        if not node:
-            continue
-        fm = node.get("frontmatter") or {}
-        pos, neg = consistency.condition_terms(fm, node.get("content") or "")
-        pos_sets.append(pos)
-        neg_sets.append(neg)
-        per[nid] = {"effective": sorted(pos)[:8], "non_applicable": sorted(neg)[:8]}
-    common = _shared_terms(pos_sets)
-    individual = [t for t in _uniq_terms(pos_sets) if t not in common]
-    return {"common": common, "individual": individual,
-            "non_applicable": _uniq_terms(neg_sets),
-            "declared": list(declared_terms or []), "per_anchor": per}
-
-
-# 生效条件：以 cg.index["nodes"] 为节点池（layer 为真时只保留 layer 等于该值的节点，池按 max_nodes 截断），由 clues 词项与 ids 收集锚点并截取 limit 个，锚点为空则返回 status="blindspot" 且 condition_space=None，否则返回 status="reconstructed"（neighbors 为真时按链邻接补边并在 max_nodes 内补节点，apply 为真且算出的 scene_id 尚不在 nodes 中时再写入该情境节点并记日志）；
-def reconstruct_scene(cg, clues=None, ids=None, conditions=None, layer=None,
-                      max_nodes=RECON_MAX_NODES, limit=RECON_MAX_ANCHORS,
-                      neighbors=True, apply=False, actor="insight"):
-    """情景重构：由线索反推条件空间，还原记忆成立的场景。
-
-    只读（apply=False 默认）；apply=True 额外落一个 `scene_<hash>` 情境节点，
-    携带 `reconstructed_from` 锚点与 inferred 边，便于追溯与撤销。
-
-    返回 status ∈ {"reconstructed", "blindspot"}；blindspot 时条件空间为 None，
-    不编造（对应计划「诚实边界」）。
-    """
-    from . import chain
-    t0 = time.time()
-    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
-    clue_terms = _clue_terms(clues)
-    declared = [str(c).strip().lower() for c in (conditions or []) if str(c).strip()]
-    want_ids = [str(x) for x in (ids or []) if str(x).strip()]
-
-    # 线索里若直接写了节点 id，也算显式锚点
-    for t in clue_terms:
-        if t in nodes and t not in want_ids:
-            want_ids.append(t)
-
-    pool = [nid for nid, e in nodes.items()
-            if (not layer or (e or {}).get("layer") == layer)]
-    truncated = len(pool) > int(max_nodes)
-    pool.sort()
-    pool = pool[:int(max_nodes)]
-
-    anchors, missing = [], []
-    for nid in want_ids:
-        if nid in nodes:
-            anchors.append({"node_id": nid, "score": 1.0, "source": "explicit"})
-        else:
-            missing.append(nid)
-    if clue_terms:
-        have = {a["node_id"] for a in anchors}
-        for nid, score, inter, exact in _anchor_scores(cg, pool, clue_terms):
-            if nid in have:
-                continue
-            anchors.append({"node_id": nid, "score": score, "source": "lexical",
-                            "shared_bigrams": inter, "exact_hits": exact})
-            have.add(nid)
-    anchors = anchors[:int(limit)]
-
-    base = {"ok": True, "action": "reconstruct", "op": "insight",
-            "clues": clue_terms, "requested_ids": want_ids, "layer": layer,
-            "truncated": truncated, "scanned": len(pool)}
-
-    if not anchors:
-        base.update({
-            "status": "blindspot", "anchors": [], "nodes": [], "edges": [],
-            "condition_space": None,
-            "missing": missing or (["锚点"] if clue_terms else ["线索"]),
-            "elapsed_ms": int((time.time() - t0) * 1000),
-            "note": "线索未能定位任何锚点：判 blindspot，不编造条件空间（诚实边界）"})
-        return base
-
-    anchor_ids = [a["node_id"] for a in anchors]
-    node_ids, edges = list(anchor_ids), []
-    if neighbors:
-        adj = {}
-        try:
-            adj = chain.adjacency(cg)
-        except Exception:
-            adj = {}
-        seen = set(node_ids)
-        for nid in anchor_ids:
-            outs = (adj.get(nid) or [])[:RECON_NEIGHBOR_LIMIT]
-            for tgt, e in outs:
-                rel = chain.edge_rel(e)
-                edges.append({"from": nid, "to": tgt, "relation": rel,
-                              "evidence": (e or {}).get("evidence")})
-                if tgt not in seen and len(node_ids) < int(max_nodes):
-                    seen.add(tgt)
-                    node_ids.append(tgt)
-
-    cs = _condition_space(cg, anchor_ids, declared_terms=declared)
-    separated = [nid for nid in anchor_ids
-                 if any(e.get("relation") == "distinct_from" for e in edges
-                        if e.get("from") == nid)]
-    with_conditions = sum(1 for nid in anchor_ids
-                          if (cs["per_anchor"].get(nid) or {}).get("effective"))
-    confidence = round(
-        min(1.0, (sum(a["score"] for a in anchors) / float(len(anchors)))
-            * (0.5 + 0.5 * with_conditions / float(len(anchor_ids)))), 4)
-
-    out = dict(base)
-    out.update({
-        "status": "reconstructed", "anchors": anchors, "nodes": node_ids,
-        "edges": edges, "condition_space": cs,
-        "signals": {"anchors": len(anchors), "with_conditions": with_conditions,
-                    "separated": separated},
-        "confidence": confidence,
-        "elapsed_ms": int((time.time() - t0) * 1000),
-        "note": "条件空间的近似重建（非事件回放）；common=共同生效条件，"
-                "individual=个别条件，non_applicable=不适用条件"})
-
-    if apply:
-        sid = RECON_SCENE_PREFIX + hashlib.sha1(
-            "|".join(sorted(node_ids)).encode("utf-8")).hexdigest()[:10]
-        written = False
-        if sid not in nodes:
-            common_txt = "；".join(cs["common"][:6]) or "（未提炼出共同条件）"
-            neg_txt = "；".join(cs["non_applicable"][:6]) or "（未判定）"
-            body = (
-                "# 功能名：情景重构：%s\n"
-                "# 生效条件：%s\n"
-                "# 子功能：由 %d 个锚点复原的条件空间（锚点：%s）\n"
-                "# 执行：由 insight.reconstruct 反推（inferred 近似重建，非事件回放）\n"
-                "# 验证方式：待验证（推断结果，需人工/实践核对后方可升格）\n"
-                "# 不适用条件：%s\n"
-                % ("、".join(clue_terms[:6]) or "线索", common_txt, len(anchor_ids),
-                   "、".join(anchor_ids), neg_txt))
-            cg.add(sid, body, layer="contextual",
-                   tags=["scene", "reconstructed"], importance=0.4,
-                   verification_basis="other", reconstructed_from=list(anchor_ids),
-                   clues=list(clue_terms), confidence=confidence,
-                   actor=actor)
-            append_jsonl(os.path.join(cg.root, MAINTAIN_LOG), {
-                "t": time.time(), "action": "reconstruct", "scene": sid,
-                "anchors": list(anchor_ids), "clues": clue_terms,
-                "common": cs["common"], "confidence": confidence, "actor": actor})
-            invalidate_cache(cg)
-            written = True
-        out["scene_id"] = sid
-        out["scene_written"] = written
-    return out
+# -*- coding: utf-8 -*-
+"""嵌套子图（nested subgraph）：结构要素的可递归表示 + flatten。
+
+对齐 AEIS《认知图写入纪律 v1.0》四要素中的第三项：
+    subgraph = 内部子内容（可嵌套：子节点 + 边），角色＝结构（可检索/可递归）。
+
+与 AEIS 的两处**有意差异**（都有工程理由，不是简化）：
+
+1) 存储形态：AEIS 把子节点**内联**在父节点 `subgraph.nodes` 里
+   （`aeis/image_semantics_cg.py:37-57`）。md_cg 的检索粒度是「节点 = 文件」
+   （RRF 按节点召回），内联子节点无法被任何检索路单独命中，会违背「子图可检索」
+   这一规范本身。故 md_cg 采用**引用式**：`subgraph.nodes` 存子节点 id，
+   子节点各自是独立 `.md`，可被 lexical/entity/chain 等路独立召回。
+   同时兼容内联写法（`{"id": ...}` 对象）以承接 AEIS 语料。
+
+2) 递归深度：AEIS 明确「深度上限不是协议常数，数据驱动，= 可分性条件的自然耗尽」
+   （`子部件提取_理论稿_v0.4.md:146-150`）。故 `max_depth=None` 表示一直展开到
+   自然耗尽（无子节点）；`max_depth=k` 只是工程硬截断，会置 `truncated=True`。
+
+父边唯一（每个节点至多一个 `part_of` 父）——`子部件提取_理论稿_v0.4.md:105`；
+违反者由 `validate()` 报 `multi_parent`，对齐「树形不一致 → 退回 DEFER」。
+"""
+from __future__ import annotations
+
+import hashlib
+import os
+import re
+import time
+
+from .fsutil import append_jsonl
+
+MAX_DEPTH_HARD = 64          # 工程硬截断上限（防止畸形数据把遍历拖爆）
+MAX_NODES_DEFAULT = 2000     # 单次展开的节点上限
+
+# ---- 模式分离（maintain.separate）参数 -----------------------------------
+MAINTAIN_LOG = "_maintain.jsonl"
+SEP_MIN_JACCARD = 0.55       # 内容相似度下限（越高＝越像，才值得谈分离）
+SEP_MAX_COND_OVERLAP = 0.35  # 条件重合上限（越高＝条件越同，就该合并而非分离）
+SEP_MAX_NODES = 400          # 单次扫描节点上限（防 O(N²) 读盘爆炸）
+SEP_MAX_PAIRS = 50           # 单次返回/落库的候选对上限
+
+
+# 生效条件：fm 为假值或 fm.get("subgraph") 取值为假（None/[]/{}/空串）时直接返回 {'nodes': [], 'edges': []}；subgraph 为 list/tuple 时其元素作节点、边记空列表，为 dict 时节点取 sg.get("nodes")（缺键或假值回落 []）、边取 sg.get("edges")（同样回落），为其他类型仍返回空；节点项为 dict 时取 n.get("id")、否则取元素本身，nid 为 None 跳过，仅当 str(nid).strip() 非空且未出现过才追加；边只保留 isinstance(e, dict) 的项；
+def declared(fm):
+    """规范化 `frontmatter.subgraph` → `{"nodes": [id...], "edges": [edge...]}`。
+
+    兼容三种写法：
+        {"nodes": ["a", "b"], "edges": [...]}     引用式（md_cg 主用）
+        ["a", "b"]                                纯 id 列表
+        {"nodes": [{"id": "a"}, ...]}             内联式（AEIS 原样，只取 id）
+    """
+    sg = (fm or {}).get("subgraph")
+    if not sg:
+        return {"nodes": [], "edges": []}
+    if isinstance(sg, (list, tuple)):
+        raw_nodes, raw_edges = list(sg), []
+    elif isinstance(sg, dict):
+        raw_nodes, raw_edges = list(sg.get("nodes") or []), list(sg.get("edges") or [])
+    else:
+        return {"nodes": [], "edges": []}
+    nodes = []
+    for n in raw_nodes:
+        nid = n.get("id") if isinstance(n, dict) else n
+        if nid is None:
+            continue
+        nid = str(nid).strip()
+        if nid and nid not in nodes:
+            nodes.append(nid)
+    return {"nodes": nodes, "edges": [e for e in raw_edges if isinstance(e, dict)]}
+
+
+# 生效条件：当 getattr(cg,"index",None) 的 nodes 字典中存在 nid（entry 非 None）且 "subgraph" in entry 时，返回 {'id': nid, 'subgraph': entry.get("subgraph"), 'edges': entry.get("edges") or []}（subgraph 值为 None 也照样返回）；否则改走 cg.get(nid)，返回 (node or {}).get("frontmatter") or {}，节点不存在或 frontmatter 为假值时得空 dict；
+def _fm(cg, nid):
+    """取节点 frontmatter：优先索引快照（免 IO），快照缺字段时回退读文件。"""
+    entry = ((getattr(cg, "index", None) or {}).get("nodes") or {}).get(nid)
+    if entry is not None and "subgraph" in entry:
+        return {"id": nid, "subgraph": entry.get("subgraph"),
+                "edges": entry.get("edges") or []}
+    node = cg.get(nid)
+    return (node or {}).get("frontmatter") or {}
+
+
+# --------------------------------------------------------------------------
+# 迁移边适配：源 sqlite 认知图 → md_cg 本地边
+# --------------------------------------------------------------------------
+# 源库的 `hierarchical` 方向是 **source=父、target=子**（白箱
+# `wisdom-book-cloud.db` 全量实测：`source_is_parent=2832`、`target_is_parent=0`）。
+# md_cg 的父边约定与其**相反**：`part_of` 表示「本节点是子、target 是父」
+# （见下方 children_index）。若把源库 hierarchical 原样搬进来，树会整体倒置；
+# 故迁移时翻译成语义等价的 `contains`（本节点是父、target 是子）。
+SRC_REL_MAP = {"hierarchical": "contains"}
+
+
+# 生效条件：rel 先经 str(rel or "").strip().lower() 归一（None/空串得 ""），返回 {'target': str(tgt), 'relation_type': SRC_REL_MAP.get(rel, rel), 'confidence': confidence, 'verified': verified}——归一后的 rel 命中模块常量 SRC_REL_MAP 时用映射值、未命中（含 rel 为空串）时原样保留，confidence/verified 直接透传默认 1.0/0 的实参不做校验；
+def normalize_edge(tgt, rel, confidence=1.0, verified=0):
+    """源库边 → md_cg 本地边（迁移器专用）。做两件事：
+
+    1) 键名统一为 `relation_type`。`children_index` / `parents_index` 只认
+       `relation_type` / `relation`；早期迁移器写的 `"type"` 会被静默忽略
+       （`chain.edge_rel` 兼容 `type`，但 `subgraph` 不兼容），使迁入的图不可遍历。
+    2) 方向按 `SRC_REL_MAP` 翻译（源库 hierarchical = source 是父）。
+    """
+    rel = str(rel or "").strip().lower()
+    return {"target": str(tgt), "relation_type": SRC_REL_MAP.get(rel, rel),
+            "confidence": confidence, "verified": verified}
+
+
+# 生效条件：cg 的 `_subgraph_children` 不为 None 时原样返回该缓存字典，否则遍历 cg.index["nodes"] 的键，用 declared(fm)["nodes"] 收子节点、并按边 rel 为 part_of/hierarchical（target 记为父、当前 pid 记为子）或 parent_of/contains（当前 pid 记为父、target 记为子，target 为 None 则该边跳过）补全 parent_id→[child_id] 索引，回写 cg._subgraph_children 后返回 idx；
+def children_index(cg):
+    """全局正查：parent_id → [child_id...]（声明式 ∪ 边式，一次 O(N) 后缓存）。"""
+    idx = getattr(cg, "_subgraph_children", None)
+    if idx is not None:
+        return idx
+    idx = {}
+    for pid in list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys()):
+        fm = _fm(cg, pid)
+        for ch in declared(fm)["nodes"]:
+            idx.setdefault(pid, [])
+            if ch not in idx[pid]:
+                idx[pid].append(ch)
+        for e in (fm.get("edges") or []):
+            if not isinstance(e, dict):
+                continue
+            # 兼容历史语料：早期迁移器把关系类型写在 `type` 键（`migrate.py:43`、
+            # `migrate_aeis.py:99`），写侧已按 `normalize_edge` 修正，读侧一并容错。
+            rel = str(e.get("relation_type") or e.get("relation") or e.get("type")
+                      or "").strip().lower()
+            tgt = e.get("target") or e.get("target_id")
+            if tgt is None:
+                continue
+            tgt = str(tgt).strip()
+            if rel in ("part_of", "hierarchical"):      # 本节点是子，target 是父
+                idx.setdefault(tgt, [])
+                if pid not in idx[tgt]:
+                    idx[tgt].append(pid)
+            elif rel in ("parent_of", "contains"):      # 本节点是父，target 是子
+                idx.setdefault(pid, [])
+                if tgt not in idx[pid]:
+                    idx[pid].append(tgt)
+    try:
+        cg._subgraph_children = idx
+    except Exception:
+        pass
+    return idx
+
+
+# 生效条件：返回 list(children_index(cg).get(nid) or [])，即 nid 在索引中无键或对应值为空（None/空列表）时得空列表，否则返回其子 id 的浅拷贝列表；
+def children(cg, nid):
+    """直接子节点 id 列表：`subgraph.nodes` 声明 ∪ 边式父子关系。"""
+    return list(children_index(cg).get(nid) or [])
+
+
+# 生效条件：cg 的 `_subgraph_parents` 不为 None 时原样返回该缓存字典，否则遍历 cg.index["nodes"] 的键，用 declared(fm)["nodes"] 把 pid 记为每个子节点的父、并按边 rel 为 part_of/hierarchical（target 记为 pid 的父）或 parent_of/contains（pid 记为 target 的父，target 为 None 则该边跳过）补全 child_id→[parent_id] 索引，回写 cg._subgraph_parents 后返回 idx；
+def parents_index(cg):
+    """全局反查：child_id → [parent_id...]（供 children/validate 复用，一次 O(N)）。"""
+    idx = getattr(cg, "_subgraph_parents", None)
+    if idx is not None:
+        return idx
+    idx = {}
+    for pid in list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys()):
+        for ch in declared(_fm(cg, pid))["nodes"]:
+            idx.setdefault(ch, [])
+            if pid not in idx[ch]:
+                idx[ch].append(pid)
+        for e in (_fm(cg, pid).get("edges") or []):
+            if not isinstance(e, dict):
+                continue
+            rel = str(e.get("relation_type") or e.get("relation") or e.get("type")
+                      or "").strip().lower()
+            tgt = e.get("target") or e.get("target_id")
+            if tgt is None:
+                continue
+            tgt = str(tgt).strip()
+            # 与 children_index 逐字对称，只是方向取反：
+            #   part_of / hierarchical → 本节点是子，故 target 是本节点的父
+            #   parent_of / contains   → 本节点是父，故本节点是 target 的父
+            if rel in ("part_of", "hierarchical"):
+                idx.setdefault(pid, [])
+                if tgt not in idx[pid]:
+                    idx[pid].append(tgt)
+            elif rel in ("parent_of", "contains"):
+                idx.setdefault(tgt, [])
+                if pid not in idx[tgt]:
+                    idx[tgt].append(pid)
+    try:
+        cg._subgraph_parents = idx
+    except Exception:
+        pass
+    return idx
+
+
+# 生效条件：无条件执行——把 cg 的 _subgraph_parents 与 _subgraph_children 依次 setattr 为 None（setattr 抛异常被 except 吞掉后继续下一个），无返回值，与 cg 是否已建有缓存无关；
+def invalidate_cache(cg):
+    """写入/删除节点后调用，丢弃父子正查/反查缓存。"""
+    for attr in ("_subgraph_parents", "_subgraph_children"):
+        try:
+            setattr(cg, attr, None)
+        except Exception:
+            pass
+
+
+# 生效条件：取 parents_index(cg).get(nid) or []，列表非空时返回其首元素，键缺失或值为空/假（None、[]）时返回 None；多父时只返回第一个，不在此处报歧义；
+def parent_of(cg, nid):
+    """唯一父（多父时返回第一个并置 `ambiguous` 标记由 validate 报出）。"""
+    ps = parents_index(cg).get(nid) or []
+    return ps[0] if ps else None
+
+
+# 生效条件：max_depth 非 None 时先 max(0, min(int(max_depth), MAX_DEPTH_HARD)) 收敛；以 nid 为根迭代 DFS，已入 seen 的节点跳过，len(seen) >= max_nodes（max_nodes 传 0 时首次循环即成立）置 truncated=True 并 break，depth >= max_depth 且 children 非空时置 truncated=True 并 continue，否则对 children(cg,cur) 逆序、对未出现过的 (ch,cur) 追加 part_of 边并压栈；返回 {'root','nodes','paths','edges','n_nodes','n_edges','truncated'}；
+def expand(cg, nid, max_depth=None, max_nodes=MAX_NODES_DEFAULT):
+    """递归展开子树（迭代 DFS，防递归深度爆栈）。
+
+    返回 `{"root","nodes","paths","edges","n_nodes","n_edges","truncated"}`；
+    `paths` 为 `节点 id → "根/子/孙"` 层级路径（flatten 后仍可定位来源）。
+    边为 `part_of(child→parent)`，与 AEIS flatten 的方向一致。
+    """
+    if max_depth is not None:
+        max_depth = max(0, min(int(max_depth), MAX_DEPTH_HARD))
+    seen, edges, truncated = {}, [], False
+    seen_edges = set()
+    stack = [(nid, 0, nid)]
+    while stack:
+        cur, depth, path = stack.pop()
+        if cur in seen:
+            continue
+        if len(seen) >= max_nodes:
+            truncated = True
+            break
+        seen[cur] = path
+        if max_depth is not None and depth >= max_depth:
+            if children(cg, cur):
+                truncated = True
+            continue
+        kids = children(cg, cur)
+        for ch in reversed(kids):
+            key = (ch, cur)
+            if key not in seen_edges:
+                seen_edges.add(key)
+                edges.append({"source": ch, "target": cur,
+                              "relation_type": "part_of",
+                              "confidence": 1.0, "verified": 0})
+            if ch not in seen:
+                stack.append((ch, depth + 1, f"{path}/{ch}"))
+    return {"root": nid, "nodes": list(seen.keys()), "paths": seen,
+            "edges": edges, "n_nodes": len(seen), "n_edges": len(edges),
+            "truncated": truncated}
+
+
+# 生效条件：先调用 expand(cg, nid, max_depth=max_depth, max_nodes=max_nodes)，对其中每条边复制一份并追加 source/target 互换、relation_type="parent_of"、confidence/verified 沿用原边 .get(…,1.0/0) 的反向边；返回 root=nid、nodes=ex["nodes"]、paths=ex["paths"]、n_nodes=ex["n_nodes"]、n_edges=双边后条数、truncated=ex["truncated"]；
+def flatten(cg, nid, max_depth=None, max_nodes=MAX_NODES_DEFAULT):
+    """把嵌套子图摊平成「节点 + 边」，父子生成**对称双边**。
+
+    对齐 AEIS `flatten_image_semantics_graph`（`image_semantics_cg.py:151-173`）：
+    每个有父的节点同时产出 `part_of(child→parent)` 与 `parent_of(parent→child)`。
+    检索侧因此既能「从父找子」（下钻），也能「从子找父」（溯源）。
+    """
+    ex = expand(cg, nid, max_depth=max_depth, max_nodes=max_nodes)
+    edges = []
+    for e in ex["edges"]:
+        edges.append(dict(e))
+        edges.append({"source": e["target"], "target": e["source"],
+                      "relation_type": "parent_of",
+                      "confidence": e.get("confidence", 1.0),
+                      "verified": e.get("verified", 0)})
+    return {"root": nid, "nodes": ex["nodes"], "edges": edges, "paths": ex["paths"],
+            "n_nodes": ex["n_nodes"], "n_edges": len(edges),
+            "truncated": ex["truncated"]}
+
+
+# 生效条件：known 取 cg.index 的 nodes 键集合，仅当 parents_index(cg).get(nid) or [] 为空（键缺失或空列表）的 nid 才视为树根，返回其排序后的 id 列表；
+def roots(cg):
+    """无父节点（树根）的 id 列表。"""
+    known = set(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys())
+    pmap = parents_index(cg)
+    return sorted(nid for nid in known if not (pmap.get(nid) or []))
+
+
+# 生效条件：known 取 cg.index 的 nodes 键列表，max_scan 为真值时截断为 known[:int(max_scan)]；逐 pid 遍历 declared(_fm(cg,pid))["nodes"]：ch==pid 记 self_loop 并 continue（不再进入悬空/多父判断），ch 不在 known_set 记 dangling_child，随后 parent 中已有 ch 且 prev != pid 记 multi_parent、否则写 parent[ch]=pid；再沿 parent 指针上溯，遇本路径已访问节点记 cycle；_issue 仅在 len(issues) < limit*4 时追加（limit 为 0 时 0<0 不成立，不追加任何 issue）；返回 scanned、issues=len(issues)、items=issues[:limit]、truncated=len(issues)>limit；
+def validate(cg, limit=50, max_scan=None):
+    """树一致性校验：自环 / 悬空子节点 / 多父 / 环。
+
+    对齐 AEIS：父边唯一、拓扑无矛盾、树形不一致 → 该层判定退回 DEFER
+    （`子部件提取_理论稿_v0.4.md:105-107`）。
+    """
+    known = list(((getattr(cg, "index", None) or {}).get("nodes") or {}).keys())
+    if max_scan:
+        known = known[:int(max_scan)]
+    known_set = set(known)
+    parent, issues = {}, []
+
+# 生效条件：仅当 len(issues) < limit*4 时把 kw 追加进 issues（限流防报告膨胀）；无返回值，只改外层 issues；
+    def _issue(**kw):
+        if len(issues) < limit * 4:
+            issues.append(kw)
+
+    for pid in known:
+        for ch in declared(_fm(cg, pid))["nodes"]:
+            if ch == pid:
+                _issue(id=pid, issue="self_loop", child=ch)
+                continue
+            if ch not in known_set:
+                _issue(id=pid, issue="dangling_child", child=ch)
+            prev = parent.get(ch)
+            if prev is not None and prev != pid:
+                _issue(id=ch, issue="multi_parent", parents=sorted({prev, pid}))
+            else:
+                parent[ch] = pid
+
+    # 环检测：沿 parent 指针上溯，遇本路径已访问节点即成环
+    for nid in known:
+        path, cur = [], nid
+        while cur is not None:
+            if cur in path:
+                _issue(id=cur, issue="cycle", path=path[path.index(cur):] + [cur])
+                break
+            path.append(cur)
+            cur = parent.get(cur)
+
+    return {"scanned": len(known), "issues": len(issues),
+            "items": issues[:limit], "truncated": len(issues) > limit}
+
+
+# ==========================================================================
+# 模式分离（maintain.separate）
+# ==========================================================================
+#
+# 问题：两条记忆**内容高度相似但生效条件不同**。若放任不管，检索会把它们混为
+# 一体——按 A 的条件召回、却拿到 B 的结论。海马体的做法是 pattern separation：
+# 把相似但情境不同的表征拆开，各挂各的条件线索。
+#
+# 本层的工程兑现（保守、可逆、幂等）：
+#   · 不动正文（不制造第二份真相），只加**对称分离边** `distinct_from`；
+#   · 边携带 reason + 判定分量，供后续重构/审计追溯；
+#   · 条件**相同**的相似对**不是**分离候选（那是重复，该走 MERGE）。
+
+# 生效条件：cg.get(nid) 为假值（None/{}）时返回 None；否则取 fm=node.get("frontmatter") or {}、content=node.get("content") or ""，返回 {'grams': bigrams(forgetting.payload(content)), 'pos','neg': consistency.condition_terms(fm, content) 的结果, 'layer': fm.get("layer")}——grams 为空也照常返回该字典，不返回 None；
+def _node_terms_and_grams(cg, nid):
+    """读取节点并返回 (payload 二元组, 正条件词面, 负条件词面)；不可读返回 None。"""
+    from . import consistency, forgetting
+    from .mdcg import bigrams          # 惰性导入：避开 mdcg↔subgraph 循环
+    node = cg.get(nid)
+    if not node:
+        return None
+    fm = node.get("frontmatter") or {}
+    content = node.get("content") or ""
+    grams = bigrams(forgetting.payload(content))
+    pos, neg = consistency.condition_terms(fm, content)
+    return {"grams": grams, "pos": pos, "neg": neg, "layer": fm.get("layer")}
+
+
+# 生效条件：pool 初取 cg.index 的 nodes 键，layer 为假值（None/""）时不按层过滤、否则只留 e.get("layer")==layer 的 nid，ids 为真值时只留 str(x) 属于该集合的 nid；pool 排序后 truncated=len(pool)>int(max_nodes)、并截为前 int(max_nodes) 个；只有 _node_terms_and_grams 返回非 None 且 grams 非空的节点进 cache；对 cache 键两两比较——无公共 bigram 跳过、jaccard 小于 float(min_jaccard) 跳过、condition_distinct 的 distinct 为假或 overlap > float(max_cond_overlap) 跳过，其余成候选并按 (-jaccard,a,b) 排序；返回 scanned、compared、candidates=out[:int(limit)]、total_candidates、truncated、note；
+def separation_pairs(cg, layer=None, ids=None, max_nodes=SEP_MAX_NODES,
+                     min_jaccard=SEP_MIN_JACCARD,
+                     max_cond_overlap=SEP_MAX_COND_OVERLAP,
+                     limit=SEP_MAX_PAIRS):
+    """找出「内容高度相似、条件却不同」的节点对（模式分离候选）。
+
+    返回 {scanned, compared, candidates:[{a,b,jaccard,cond_overlap,distinct,reason}],
+          truncated, note}。只读，不写盘。
+    """
+    from . import consistency
+    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
+    pool = [nid for nid, e in nodes.items()
+            if (not layer or e.get("layer") == layer)]
+    if ids:
+        want = {str(x) for x in ids}
+        pool = [nid for nid in pool if nid in want]
+    pool.sort()
+    truncated = len(pool) > int(max_nodes)
+    pool = pool[:int(max_nodes)]
+    cache = {}
+    for nid in pool:
+        got = _node_terms_and_grams(cg, nid)
+        if got and got["grams"]:
+            cache[nid] = got
+    keys = sorted(cache.keys())
+    out, compared = [], 0
+    for i in range(len(keys)):
+        gi = cache[keys[i]]["grams"]
+        for j in range(i + 1, len(keys)):
+            gj = cache[keys[j]]["grams"]
+            inter = len(gi & gj)
+            if not inter:
+                continue
+            compared += 1
+            jac = inter / float(len(gi | gj) or 1)
+            if jac < float(min_jaccard):
+                continue
+            a, b = keys[i], keys[j]
+            cd = consistency.condition_distinct(
+                cache[a]["pos"], cache[a]["neg"],
+                cache[b]["pos"], cache[b]["neg"])
+            if not cd["distinct"] or cd["overlap"] > float(max_cond_overlap):
+                continue                       # 条件相同 → 是重复，不是分离
+            out.append({
+                "a": a, "b": b,
+                "a_layer": cache[a]["layer"], "b_layer": cache[b]["layer"],
+                "jaccard": round(jac, 4), "cond_overlap": cd["overlap"],
+                "reason": (f"内容相似 {jac:.2f} 但条件重合仅 {cd['overlap']:.2f}"
+                           f"（相似而不同情境，需分离）"),
+                "a_conditions": sorted(cache[a]["pos"] | cache[a]["neg"])[:6],
+                "b_conditions": sorted(cache[b]["pos"] | cache[b]["neg"])[:6],
+            })
+    out.sort(key=lambda x: (-x["jaccard"], x["a"], x["b"]))
+    return {"scanned": len(keys), "compared": compared,
+            "candidates": out[:int(limit)],
+            "total_candidates": len(out), "truncated": truncated,
+            "note": "只读候选；apply=True 才写分离边"}
+
+
+# 生效条件：batch 为假值（None 或空串）时回落到 time.strftime("%Y%m%d-%H%M%S")；按 (a,b)、(b,a) 两向处理：cg.get(src) 为假值跳过，dst 已出现在 consistency.separation_targets(fm) 中跳过，否则往 fm["edges"] 追加 distinct_from 边、向 fm["pattern_separated_from"] 追加 dst，按 os.path.join(cg.root, e.get("path") or f"{src}.md") 调 cg._write_node 写盘并追加 MAINTAIN_LOG 行，src 记入 written；返回 {'a','b','written','batch'}；
+def mark_separated(cg, a, b, reason="", actor="maintain", batch=None):
+    """写入 (a↔b) 对称 `distinct_from` 边（幂等：已存在则不重复写）。"""
+    from . import consistency
+    batch = batch or time.strftime("%Y%m%d-%H%M%S")
+    written = []
+    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
+    for src, dst in ((a, b), (b, a)):
+        node = cg.get(src)
+        if not node:
+            continue
+        fm = node.get("frontmatter") or {}
+        edges = list(fm.get("edges") or [])
+        if dst in consistency.separation_targets(fm):
+            continue
+        edges.append({"target": dst, "relation_type": consistency.SEPARATION_REL,
+                      "reason": reason, "created_at": time.time(),
+                      "confidence": 1.0, "verified": 0})
+        fm["edges"] = edges
+        sep = list(fm.get("pattern_separated_from") or [])
+        if dst not in sep:
+            sep.append(dst)
+        fm["pattern_separated_from"] = sep
+        e = nodes.get(src) or {}
+        path = os.path.join(cg.root, e.get("path") or f"{src}.md")
+        cg._write_node(src, path, fm, node.get("content") or "")
+        if e:
+            e["edges"] = edges
+        written.append(src)
+        append_jsonl(os.path.join(cg.root, MAINTAIN_LOG), {
+            "t": time.time(), "action": "separate", "batch": batch,
+            "from": src, "to": dst, "reason": reason, "actor": actor})
+    return {"a": a, "b": b, "written": written, "batch": batch}
+
+
+# 生效条件：pairs 为 None 时调 separation_pairs 取 candidates 与 meta（scanned/compared/truncated/total_candidates），否则 cands=list(pairs) 且 meta 中 scanned/compared 记 0、truncated 记 False、total_candidates=len(cands)；apply 为真值时先生成统一 batch=time.strftime(...)，逐个候选调 mark_separated(..., batch=batch)，written 非空且 cg 有 rebuild_index 时调 cg.rebuild_index()、否则调 invalidate_cache(cg)，apply 为假值时不写盘；返回 ok、action='separate'、dry_run=not apply、layer、candidates、written、written_count、elapsed_ms、log 与 meta、note；
+def separate_run(cg, layer=None, pairs=None, apply=False, ids=None,
+                 min_jaccard=SEP_MIN_JACCARD, limit=SEP_MAX_PAIRS,
+                 actor="maintain"):
+    """模式分离：扫描相似但条件不同的节点对，按需写入对称分离边。
+
+    apply=False（默认）只出候选报表（对应计划「可预演」）。
+    """
+    t0 = time.time()
+    if pairs is None:
+        rep = separation_pairs(cg, layer=layer, ids=ids,
+                               min_jaccard=min_jaccard, limit=limit)
+        cands = rep["candidates"]
+        meta = {k: rep[k] for k in ("scanned", "compared", "truncated",
+                                    "total_candidates")}
+    else:
+        cands = list(pairs)
+        meta = {"scanned": 0, "compared": 0, "truncated": False,
+                "total_candidates": len(cands)}
+    written = []
+    if apply:
+        batch = time.strftime("%Y%m%d-%H%M%S")
+        for c in cands:
+            written.append(mark_separated(cg, c["a"], c["b"],
+                                          reason=c.get("reason", ""),
+                                          actor=actor, batch=batch))
+        if written and hasattr(cg, "rebuild_index"):
+            cg.rebuild_index()          # 边写盘后重建索引 + 清子图缓存
+        else:
+            invalidate_cache(cg)
+    return {"ok": True, "action": "separate", "dry_run": not apply,
+            "layer": layer, "candidates": cands, "written": written,
+            "written_count": len(written), "elapsed_ms": int((time.time() - t0) * 1000),
+            "log": MAINTAIN_LOG, **meta,
+            "note": ("dry-run：未写盘；apply=True 才写分离边" if not apply
+                     else f"已写 {len(written)} 对对称分离边")}
+
+
+# ==========================================================================
+# 情景重构（insight.reconstruct）
+# ==========================================================================
+#
+# 问题：记忆被检索回来时，往往只剩一条「结论」，它当时**为什么成立**（生效条件 /
+# 不适用条件 / 同行情境）已经散落在相邻节点里。情景重构做的就是：由给定线索
+# （词面 / 节点 id）反推当时的**条件空间**，把散落的场景要素重新聚在一起。
+#
+# 与检索（read/route）的区别：检索按「当前查询」做资格判定；重构按「线索」做
+# **条件空间复原**，输出条件结构而非排序结果，用于回答「这件事成立于什么条件」。
+#
+# 诚实边界：
+#   · 重构是条件空间的**近似重建**，不是事件回放（输出显式标注）；
+#   · 定位不到任何锚点时判 blindspot，**不得凭空编造条件空间**。
+
+RECON_MIN_SCORE = 0.15        # 词面命中下限（低于此不算锚点）
+RECON_MAX_NODES = 80          # 单次扫描节点上限（防 O(N) 读盘爆炸）
+RECON_MAX_ANCHORS = 12        # 锚点上限
+RECON_NEIGHBOR_LIMIT = 24     # 每锚点取的邻居上限
+RECON_COMMON_SHARE = 0.5      # 共同条件判定：≥ 半数锚点共享
+RECON_SCENE_PREFIX = "scene_"
+
+
+# 生效条件：clues 为 None 时返回 []；clues 为 str 时包装成单元素列表；逐项取 str(c or "").strip().lower()，空串跳过，整串去重入 out，再按 re.split(r"[\s,，、;；/|]+") 切词、去重后追加；返回 out；
+def _clue_terms(clues):
+    """线索归一化：字符串 / 列表 → 去重词面（保留整串 + 切分后的词）。"""
+    if clues is None:
+        return []
+    if isinstance(clues, str):
+        clues = [clues]
+    out = []
+    for c in clues:
+        s = str(c or "").strip().lower()
+        if not s:
+            continue
+        if s not in out:
+            out.append(s)
+        for w in re.split(r"[\s,，、;；/|]+", s):
+            w = w.strip()
+            if w and w not in out:
+                out.append(w)
+    return out
+
+
+# 生效条件：term_sets 为假值（None/[]）时返回 []；否则对每个集合的 set(s or ()) 统计词面出现次数，need = max(2, int(len(term_sets)*RECON_COMMON_SHARE) 向上取整)，返回出现次数 >= need 的词面排序列表（阈值取自模块常量 RECON_COMMON_SHARE）；
+def _shared_terms(term_sets):
+    """出现在 ≥ RECON_COMMON_SHARE 比例集合中的词面（且至少 2 个集合共享）。"""
+    if not term_sets:
+        return []
+    cnt = {}
+    for s in term_sets:
+        for t in set(s or ()):
+            cnt[t] = cnt.get(t, 0) + 1
+    need = max(2, int(len(term_sets) * RECON_COMMON_SHARE) + (1 if len(term_sets) * RECON_COMMON_SHARE % 1 else 0))
+    return sorted(t for t, c in cnt.items() if c >= need)
+
+
+# 生效条件：按 term_sets 原顺序遍历每个集合的 sorted(s or ())，首次出现的词面追加到 seen，返回 seen[:limit]（limit 默认 99，传 0 时切片为空列表，无 or 回落）；
+def _uniq_terms(term_sets, limit=99):
+    seen = []
+    for s in term_sets:
+        for t in sorted(s or ()):
+            if t not in seen:
+                seen.append(t)
+    return seen[:limit]
+
+
+# 生效条件：bigrams(" ".join(clue_terms)) 为空时返回 []；否则遍历 pool，cg.get(nid) 为假值、或 forgetting.payload 后 bigrams 为空、或与 clue_grams 无交集时跳过，否则 jac=inter/len(并集 or 1)、exact 为 clue_terms 中非空且作为子串出现在 body 的个数，score=jac+0.05*exact，仅 score >= RECON_MIN_SCORE 才收录，最终按 (-score, nid) 排序返回；
+def _anchor_scores(cg, pool, clue_terms):
+    """按词面重合给候选锚点打分（返回 [(nid, score, shared, exact)]，降序）。"""
+    from . import forgetting
+    from .mdcg import bigrams
+    clue_grams = bigrams(" ".join(clue_terms))
+    if not clue_grams:
+        return []
+    scored = []
+    for nid in pool:
+        node = cg.get(nid)
+        if not node:
+            continue
+        body = forgetting.payload(node.get("content") or "")
+        grams = bigrams(body)
+        if not grams:
+            continue
+        inter = len(grams & clue_grams)
+        if not inter:
+            continue
+        jac = inter / float(len(grams | clue_grams) or 1)
+        exact = sum(1 for t in clue_terms if t and t in body)
+        score = jac + 0.05 * exact
+        if score >= RECON_MIN_SCORE:
+            scored.append((nid, round(score, 4), inter, exact))
+    scored.sort(key=lambda x: (-x[1], x[0]))
+    return scored
+
+
+# 生效条件：对 anchor_ids 中每个 nid，cg.get(nid) 为假值跳过，否则取 fm 与 consistency.condition_terms 得 pos/neg，per[nid] 记为 {"effective": sorted(pos)[:8], "non_applicable": sorted(neg)[:8]}；返回 common=_shared_terms(pos_sets)、individual=_uniq_terms(pos_sets) 中不在 common 的项、non_applicable=_uniq_terms(neg_sets)、declared=list(declared_terms or [])、per_anchor=per；
+def _condition_space(cg, anchor_ids, declared_terms=None):
+    """合成锚点群的条件空间：共同条件 / 个别条件 / 不适用条件 / 逐锚点明细。"""
+    from . import consistency
+    pos_sets, neg_sets, per = [], [], {}
+    for nid in anchor_ids:
+        node = cg.get(nid)
+        if not node:
+            continue
+        fm = node.get("frontmatter") or {}
+        pos, neg = consistency.condition_terms(fm, node.get("content") or "")
+        pos_sets.append(pos)
+        neg_sets.append(neg)
+        per[nid] = {"effective": sorted(pos)[:8], "non_applicable": sorted(neg)[:8]}
+    common = _shared_terms(pos_sets)
+    individual = [t for t in _uniq_terms(pos_sets) if t not in common]
+    return {"common": common, "individual": individual,
+            "non_applicable": _uniq_terms(neg_sets),
+            "declared": list(declared_terms or []), "per_anchor": per}
+
+
+# 生效条件：以 cg.index["nodes"] 为节点池（layer 为真时只保留 layer 等于该值的节点，池按 max_nodes 截断），由 clues 词项与 ids 收集锚点并截取 limit 个，锚点为空则返回 status="blindspot" 且 condition_space=None，否则返回 status="reconstructed"（neighbors 为真时按链邻接补边并在 max_nodes 内补节点，apply 为真且算出的 scene_id 尚不在 nodes 中时再写入该情境节点并记日志）；
+def reconstruct_scene(cg, clues=None, ids=None, conditions=None, layer=None,
+                      max_nodes=RECON_MAX_NODES, limit=RECON_MAX_ANCHORS,
+                      neighbors=True, apply=False, actor="insight"):
+    """情景重构：由线索反推条件空间，还原记忆成立的场景。
+
+    只读（apply=False 默认）；apply=True 额外落一个 `scene_<hash>` 情境节点，
+    携带 `reconstructed_from` 锚点与 inferred 边，便于追溯与撤销。
+
+    返回 status ∈ {"reconstructed", "blindspot"}；blindspot 时条件空间为 None，
+    不编造（对应计划「诚实边界」）。
+    """
+    from . import chain
+    t0 = time.time()
+    nodes = (getattr(cg, "index", None) or {}).get("nodes") or {}
+    clue_terms = _clue_terms(clues)
+    declared = [str(c).strip().lower() for c in (conditions or []) if str(c).strip()]
+    want_ids = [str(x) for x in (ids or []) if str(x).strip()]
+
+    # 线索里若直接写了节点 id，也算显式锚点
+    for t in clue_terms:
+        if t in nodes and t not in want_ids:
+            want_ids.append(t)
+
+    pool = [nid for nid, e in nodes.items()
+            if (not layer or (e or {}).get("layer") == layer)]
+    truncated = len(pool) > int(max_nodes)
+    pool.sort()
+    pool = pool[:int(max_nodes)]
+
+    anchors, missing = [], []
+    for nid in want_ids:
+        if nid in nodes:
+            anchors.append({"node_id": nid, "score": 1.0, "source": "explicit"})
+        else:
+            missing.append(nid)
+    if clue_terms:
+        have = {a["node_id"] for a in anchors}
+        for nid, score, inter, exact in _anchor_scores(cg, pool, clue_terms):
+            if nid in have:
+                continue
+            anchors.append({"node_id": nid, "score": score, "source": "lexical",
+                            "shared_bigrams": inter, "exact_hits": exact})
+            have.add(nid)
+    anchors = anchors[:int(limit)]
+
+    base = {"ok": True, "action": "reconstruct", "op": "insight",
+            "clues": clue_terms, "requested_ids": want_ids, "layer": layer,
+            "truncated": truncated, "scanned": len(pool)}
+
+    if not anchors:
+        base.update({
+            "status": "blindspot", "anchors": [], "nodes": [], "edges": [],
+            "condition_space": None,
+            "missing": missing or (["锚点"] if clue_terms else ["线索"]),
+            "elapsed_ms": int((time.time() - t0) * 1000),
+            "note": "线索未能定位任何锚点：判 blindspot，不编造条件空间（诚实边界）"})
+        return base
+
+    anchor_ids = [a["node_id"] for a in anchors]
+    node_ids, edges = list(anchor_ids), []
+    if neighbors:
+        adj = {}
+        try:
+            adj = chain.adjacency(cg)
+        except Exception:
+            adj = {}
+        seen = set(node_ids)
+        for nid in anchor_ids:
+            outs = (adj.get(nid) or [])[:RECON_NEIGHBOR_LIMIT]
+            for tgt, e in outs:
+                rel = chain.edge_rel(e)
+                edges.append({"from": nid, "to": tgt, "relation": rel,
+                              "evidence": (e or {}).get("evidence")})
+                if tgt not in seen and len(node_ids) < int(max_nodes):
+                    seen.add(tgt)
+                    node_ids.append(tgt)
+
+    cs = _condition_space(cg, anchor_ids, declared_terms=declared)
+    separated = [nid for nid in anchor_ids
+                 if any(e.get("relation") == "distinct_from" for e in edges
+                        if e.get("from") == nid)]
+    with_conditions = sum(1 for nid in anchor_ids
+                          if (cs["per_anchor"].get(nid) or {}).get("effective"))
+    confidence = round(
+        min(1.0, (sum(a["score"] for a in anchors) / float(len(anchors)))
+            * (0.5 + 0.5 * with_conditions / float(len(anchor_ids)))), 4)
+
+    out = dict(base)
+    out.update({
+        "status": "reconstructed", "anchors": anchors, "nodes": node_ids,
+        "edges": edges, "condition_space": cs,
+        "signals": {"anchors": len(anchors), "with_conditions": with_conditions,
+                    "separated": separated},
+        "confidence": confidence,
+        "elapsed_ms": int((time.time() - t0) * 1000),
+        "note": "条件空间的近似重建（非事件回放）；common=共同生效条件，"
+                "individual=个别条件，non_applicable=不适用条件"})
+
+    if apply:
+        sid = RECON_SCENE_PREFIX + hashlib.sha1(
+            "|".join(sorted(node_ids)).encode("utf-8")).hexdigest()[:10]
+        written = False
+        if sid not in nodes:
+            common_txt = "；".join(cs["common"][:6]) or "（未提炼出共同条件）"
+            neg_txt = "；".join(cs["non_applicable"][:6]) or "（未判定）"
+            body = (
+                "# 功能名：情景重构：%s\n"
+                "# 生效条件：%s\n"
+                "# 子功能：由 %d 个锚点复原的条件空间（锚点：%s）\n"
+                "# 执行：由 insight.reconstruct 反推（inferred 近似重建，非事件回放）\n"
+                "# 验证方式：待验证（推断结果，需人工/实践核对后方可升格）\n"
+                "# 不适用条件：%s\n"
+                % ("、".join(clue_terms[:6]) or "线索", common_txt, len(anchor_ids),
+                   "、".join(anchor_ids), neg_txt))
+            cg.add(sid, body, layer="contextual",
+                   tags=["scene", "reconstructed"], importance=0.4,
+                   verification_basis="other", reconstructed_from=list(anchor_ids),
+                   clues=list(clue_terms), confidence=confidence,
+                   actor=actor)
+            append_jsonl(os.path.join(cg.root, MAINTAIN_LOG), {
+                "t": time.time(), "action": "reconstruct", "scene": sid,
+                "anchors": list(anchor_ids), "clues": clue_terms,
+                "common": cs["common"], "confidence": confidence, "actor": actor})
+            invalidate_cache(cg)
+            written = True
+        out["scene_id"] = sid
+        out["scene_written"] = written
+    return out