@furongjun1999/dsh-memory 0.4.5 → 0.4.7

package/md_cg/self_state.py

@@ -11,12 +11,12 @@
 由此定下本模块的形态：
 
     self 层只放两类一等公民（都很薄）：
-      1. 自我状态卡（单例）——八项自我信息的**当前值 + 指针**
+      1. 自我状态卡（单例）——九项自我信息的**当前值 + 指针**
       2. 关系节点（有向）——自我与其他智能的关系
     具体细节（哪次会话 / 哪个任务 / 哪个人 / 哪个时间窗 / 哪条证据）
     仍然留在原本的层里，由**认知图的标签与边**连接、索引过来。
 
-八项自我信息 → 薄卡字段 / 富索引指向：
+九项自我信息 → 薄卡字段 / 富索引指向：
 
   ┌ 信息差 D   d_current / d1 / d2 / emotion      ← _reflection.jsonl（reflect 留痕）
   ├ 信任 P     p_gap / p_trust / d2t / affect     ← 各节点 evidence_log（verify 留痕）
@@ -25,7 +25,12 @@
   ├ 短期记忆   recent{n, span, roles, ptr}        ← _recent.jsonl（只存摘要 + 指针）
   ├ 重要性     importance_self / important_refs   ← 各节点 frontmatter.importance
   ├ 身份       identity_ref                       ← self 层 identity 锚点
-  └ 关系       relations{out,in}                  ← self_relation_* 关系节点
+  ├ 关系       relations{out,in}                  ← self_relation_* 关系节点
+  └ 预测校准   hit_rate / threshold / reflect / ece  ← _prediction.jsonl + evidence_log
+
+第九项（预测校准）是「SELF = 自我描述」走向「SELF = 关于自身的预测模型」的最小一步：
+它回答**我预测得准吗、该不该反思**，数据只来自 predict 的 feedback 留痕与
+metacognition 的 ECE 校准，样本不足一律 unknown——不新增计算，也不编造。
 
 五个索引维度（「具体任务 / 人物关系 / 会话 / 时间 / 信任」）用 tag 命名空间落地，
 `index(cg, dim, value)` 从全图反查；状态卡只登记维度标签、不搬运内容：
@@ -191,8 +196,9 @@ def snapshot(cg, subject=DEFAULT_SUBJECT):
            "state_ts": fm.get("state_ts"),
            "updated_at": _iso(fm.get("state_ts"))}
     for key in ("information_gap", "trust", "short_term", "relations",
-                "dimensions", "emotion", "affect", "importance_self",
-                "important_refs", "identity_ref", "state_links"):
+                "prediction", "dimensions", "emotion", "affect",
+                "importance_self", "important_refs", "identity_ref",
+                "state_links"):
         out[key] = fm.get(key)
     out["d_current"] = (fm.get("information_gap") or {}).get("d_current")
     out["p_trust"] = (fm.get("trust") or {}).get("p_trust")
@@ -216,6 +222,7 @@ def _fingerprint(state):
         "identity_ref": state.get("identity_ref"),
         "short_term": state.get("short_term"),
         "relations": state.get("relations"),
+        "prediction": state.get("prediction"),
         "dimensions": state.get("dimensions"),
         "state_links": state.get("state_links"),
     }
@@ -223,7 +230,52 @@ def _fingerprint(state):
     return hashlib.sha256(blob.encode("utf-8")).hexdigest()[:16]
 
 
-# ---------------------------------------------------------------- 聚合（八项）
+# ---------------------------------------------------------------- 聚合（九项）
+
+def _prediction_face(cg):
+    """预测校准（第九项）：我预测得准吗、该不该反思？
+
+    数据源（只读留痕，不新增计算负担）：
+      · `predict._hit_history` / `predict.dynamic_hit_threshold`
+        ← `_prediction.jsonl`（predict_feedback 留痕）
+      · `metacognition.calibration` ← evidence_log（verify 留痕）的 ECE
+
+    诚实边界：无预测留痕 → ok=False、hit_rate=None（未知即未知）；
+    ECE 仅在 metacognition 有足够证据时给出，否则 None。绝不编造。
+    """
+    try:
+        from . import predict as _predict
+        hist = list(_predict._hit_history(cg))
+        th = _predict.dynamic_hit_threshold(cg)
+        # P-T-73/74 通道贝叶斯：可信度后验（随样本量向基线收缩，诚实小样本）
+        beta = (_predict.channel_posterior(cg) or {}).get("all") or {}
+    except Exception:                                      # noqa: BLE001
+        hist, th, beta = [], {}, {}
+    samples = len(hist)
+    hit_rate = (sum(1 for x in hist if x) / samples) if samples else None
+    try:
+        cal = metacognition.calibration(cg)
+    except Exception:                                      # noqa: BLE001
+        cal = {}
+    if samples == 0:
+        note = "无预测留痕：先 predict_feedback() 积累命中记录"
+    elif th.get("reflect"):
+        note = "命中率低于动态阈值：建议反思（D-006）"
+    else:
+        note = "命中率正常"
+    return {
+        "ok": samples > 0,
+        "samples": samples,
+        "hit_rate": None if hit_rate is None else round(hit_rate, 4),
+        "beta_mean": beta.get("mean"),
+        "beta_ci95": beta.get("ci95"),
+        "threshold": th.get("threshold"),
+        "reflect": bool(th.get("reflect")),
+        "ece": cal.get("ece") if cal.get("ok") else None,
+        "calibration": cal.get("verdict") if cal.get("ok") else None,
+        "note": note,
+    }
+
 
 def _recent_summary(cg, window):
     """短期记忆：只做窗口摘要，原文仍留在 _recent.jsonl（薄自我的关键取舍）。"""
@@ -287,7 +339,7 @@ def _normalize_dimensions(dimensions):
 
 def _derive(cg, subject, window, importance, important_refs, dimensions,
             links, old):
-    """聚合八项自我信息 → 薄状态（纯读，不写盘）。"""
+    """聚合九项自我信息 → 薄状态（纯读，不写盘）。"""
     tr = metacognition.trace(cg, window=max(2, int(window)))
     tt = metacognition.trust(cg, window=max(3, int(window)))
     d2 = tr.get("d2") if tr.get("ok") else None
@@ -335,6 +387,7 @@ def _derive(cg, subject, window, importance, important_refs, dimensions,
             "short_term": short_term, "importance_self": importance,
             "important_refs": important_refs, "identity_ref": identity_ref,
             "identity_anchors": n_anchors, "relations": relations,
+            "prediction": _prediction_face(cg),
             "dimensions": dims,
             "state_links": [str(x) for x in links if str(x).strip()]}
 
@@ -345,6 +398,7 @@ def _render(state):
     """状态卡正文：人类可读，且与 frontmatter 字段一一对应。"""
     ig, tt = state["information_gap"], state["trust"]
     st = state["short_term"]
+    pd = state.get("prediction") or {}
     dims = state["dimensions"]
     span = st.get("span")
     span_txt = f"{_iso(span[0])} ~ {_iso(span[1])}" if span else "（无）"
@@ -368,6 +422,11 @@ def _render(state):
         f"（共 {state.get('identity_anchors')} 条）",
         f"# 关系：出 {state['relations'].get('out')} / "
         f"入 {state['relations'].get('in')}",
+        f"# 预测：命中率={pd.get('hit_rate')}（样本 {pd.get('samples')}）"
+        f"阈值={pd.get('threshold')} 反思={'是' if pd.get('reflect') else '否'}"
+        f"；后验可信度={pd.get('beta_mean')}"
+        f"（95%CI {pd.get('beta_ci95')}）"
+        f"；ECE={pd.get('ece')}（{pd.get('calibration')}）",
         "# 索引：" + "；".join(
             f"{d}={','.join(dims.get(d) or []) or '-'}" for d in DIMENSIONS),
         "# 说明：本卡是薄自我——只登记当前值与指针；具体任务/人物/会话/"
@@ -378,13 +437,14 @@ def _render(state):
 
 def refresh(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW, importance=None,
             important_refs=None, dimensions=None, links=None,
-            actor="self_state", force=False, strict=False):
-    """刷新自我状态卡（幂等）：聚合八项 → 写卡 + 版本链留痕。
+            actor="self_state", force=False, strict=False, session=None):
+    """刷新自我状态卡（幂等）：聚合九项 → 写卡 + 版本链留痕。
 
     dimensions: {"task": "...", "person": "...", "session": "...",
                  "time": "...", "trust": "..."}（值可为列表）
     links:      指向具体详情节点的边（认知图连接，而非内容复制）
     strict:     版本链断裂时是否拒绝写入（默认修复并记录 chain_repaired）
+    session:    会话归因（嵌套身份）：并入 session 维度，不覆盖显式声明值
     """
     raw = snapshot(cg, subject)
     tail = _last_log(cg, subject=subject)
@@ -401,8 +461,17 @@ def refresh(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW, importance=None,
                "important_refs": tail.get("important_refs"),
                "state_links": tail.get("state_links"),
                "identity_ref": tail.get("identity_ref")}
+    # 会话归因：把本会话并入 session 维度（不覆盖调用方显式声明的维度值）。
+    dims_in = dict(dimensions or {})
+    if session:
+        vals = dims_in.get("session") or []
+        vals = list(vals) if isinstance(vals, (list, tuple, set)) else [vals]
+        vals = [str(v) for v in vals if str(v).strip()]
+        if str(session) not in vals:
+            vals.append(str(session))
+        dims_in["session"] = vals
     state = _derive(cg, subject, window=window, importance=importance,
-                    important_refs=important_refs, dimensions=dimensions,
+                    important_refs=important_refs, dimensions=dims_in,
                     links=links, old=old)
     card_v = int((old or {}).get("state_version") or 0)
     log_v = int(tail.get("version") or 0) if tail else 0
@@ -457,6 +526,7 @@ def refresh(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW, importance=None,
            importance_self=state["importance_self"],
            important_refs=state["important_refs"],
            identity_ref=state["identity_ref"], relations=state["relations"],
+           prediction=state["prediction"],
            dimensions=state["dimensions"], state_links=state["state_links"])
 
     _append_log(cg, {
@@ -476,6 +546,10 @@ def refresh(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW, importance=None,
         "recent_n": state["short_term"].get("n"),
         "identity_ref": state["identity_ref"],
         "relations": state["relations"],
+        "prediction_hit_rate": (state.get("prediction") or {}).get("hit_rate"),
+        "prediction_samples": (state.get("prediction") or {}).get("samples"),
+        "prediction_reflect": (state.get("prediction") or {}).get("reflect"),
+        "prediction_beta_mean": (state.get("prediction") or {}).get("beta_mean"),
         "dimensions": state["dimensions"], "issue": chain_issue})
     return {"ok": True, "changed": True, "subject": subject, "node_id": nid,
             "state_version": version, "state_hash": state["state_hash"],
@@ -683,6 +757,24 @@ def audit(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW):
                                  f"{name} 不可比较：{old_v} vs {new_v}",
                                  field=name))
 
+    # 5b 预测面漂移：预测能力（命中率）随 predict_feedback 演化；卡值过时即为
+    #    漂移——这是「自我模型是否跟上自身预测表现」的可重算判定。
+    pd_old = st.get("prediction") or {}
+    pd_new = now.get("prediction") or {}
+    o_hr, n_hr = pd_old.get("hit_rate"), pd_new.get("hit_rate")
+    if not (o_hr is None and n_hr is None):
+        try:
+            if o_hr is None or n_hr is None or \
+                    abs(float(o_hr) - float(n_hr)) > DRIFT_TOL:
+                issues.append(_issue(
+                    "prediction_drift", "warn",
+                    f"预测命中率 卡值={o_hr} 现算={n_hr}（容差 {DRIFT_TOL}）",
+                    field="hit_rate"))
+        except (TypeError, ValueError):
+            issues.append(_issue("prediction_drift", "warn",
+                                 f"预测命中率不可比较：{o_hr} vs {n_hr}",
+                                 field="hit_rate"))
+
     # 6 身份唯一：identity_ref 必须指向存在的锚点
     ref = st.get("identity_ref")
     if not ref:
@@ -782,13 +874,39 @@ def bootstrap(cg, subject=DEFAULT_SUBJECT, window=RECENT_WINDOW,
             "loaded_at": time.time()}
 
 
-def summary(cg, subject=DEFAULT_SUBJECT):
-    """一句话自我状态（供 health / 面板）。"""
+def _with_session_slice(cg, out, st, session):
+    """给 summary 结果补「本会话切片」（薄卡 + 富索引，不改单例语义）。
+
+    · session_registered —— 本会话是否已登记在该状态卡的 session 维度上；
+    · session_refs       —— 该维度反查到的详情节点指针（不搬运内容）。
+    """
+    if not session:
+        return out
+    s = str(session)
+    out["session"] = s
+    dims = (st or {}).get("dimensions") or {}
+    out["session_registered"] = bool(s in (dims.get("session") or []))
+    try:
+        res = index(cg, "session", s, limit=20)
+        out["session_refs"] = {"count": res.get("count", 0),
+                               "items": res.get("items", [])}
+    except Exception:                          # noqa: BLE001
+        out["session_refs"] = {"count": 0, "items": [], "degraded": True}
+    return out
+
+
+def summary(cg, subject=DEFAULT_SUBJECT, session=None):
+    """一句话自我状态（供 health / 面板）。
+
+    session：会话归因切片。**不改变单例卡语义**——只回报「本会话是否已登记在
+    该卡的 session 维度上」以及该维度反查到的详情节点指针（薄卡 + 富索引）。
+    """
     st = snapshot(cg, subject)
     if not st:
-        return {"ok": False, "subject": subject, "note": "无状态卡"}
+        return _with_session_slice(cg, {"ok": False, "subject": subject,
+                                        "note": "无状态卡"}, st, session)
     ig, tt = st.get("information_gap") or {}, st.get("trust") or {}
-    return {"ok": True, "subject": subject,
+    out = {"ok": True, "subject": subject,
             "version": st.get("state_version"),
             "updated_at": st.get("updated_at"),
             "d_current": ig.get("d_current"), "d2": ig.get("d2"),
@@ -799,15 +917,18 @@ def summary(cg, subject=DEFAULT_SUBJECT):
             "recent_n": (st.get("short_term") or {}).get("n"),
             "relations": st.get("relations"),
             "identity_ref": st.get("identity_ref"),
+            "hit_rate": (st.get("prediction") or {}).get("hit_rate"),
+            "prediction_reflect": (st.get("prediction") or {}).get("reflect"),
             "text": (f"[{subject}] D={ig.get('d_current')} "
                      f"情绪={st.get('emotion')} P_trust={tt.get('p_trust')} "
                      f"情感={st.get('affect')} "
                      f"短期={((st.get('short_term') or {}).get('n'))}条 "
                      f"v{st.get('state_version')}")}
+    return _with_session_slice(cg, out, st, session)
 
 
 def catalog():
-    """自描述：八项自我信息 + 五维索引 + 审计规则（供协议对照验证）。"""
+    """自描述：九项自我信息 + 五维索引 + 审计规则（供协议对照验证）。"""
     return {
         "module": "self_state",
         "schema": SCHEMA_VERSION,
@@ -827,6 +948,7 @@ def catalog():
             "importance": "importance_self + important_refs",
             "identity": "identity_ref → self 层身份锚点",
             "relations": "self_relation_* 有向关系节点",
+            "prediction": "hit_rate/threshold/reflect + ECE ← _prediction.jsonl",
         },
         "dimensions": list(DIMENSIONS),
         "trust_bands": [b for _lo, b in TRUST_BANDS],
@@ -834,7 +956,8 @@ def catalog():
         "audit_rules": [
             "duplicate_state", "version_gap", "chain_broken",
             "time_regression", "log_tail_mismatch", "fabricated_emotion",
-            "fabricated_affect", "drift", "identity_missing",
+            "fabricated_affect", "drift", "prediction_drift",
+            "identity_missing",
             "identity_dangling", "relation_self_loop", "duplicate_relation",
             "protection_locked", "protection_missing", "unknown_dimension",
             "dimension_orphan", "stale", "missing_state",

package/md_cg/semantic/REPRODUCE.md

@@ -0,0 +1,171 @@
+# 灵枢英文原子化语义检索 · 复现文档
+
+## 概述
+
+灵枢大脑库支持中英双语原子化语义检索。
+中文通过 char-bigram + terms 字段预提取关键词实现（命中率 95-99%）。
+英文通过 归一化原子词 + Jaccard 相似度实现（命中率 53/80/88）。
+
+两者的差距源于语言固有属性：英文每个概念平均有 5.2 种同义表达（CC-CEDICT 数据），
+中文只有 1-2 种。同义词数量级差异 1820 倍（95 对 vs 172,950 对）导致英文 query 和
+content 极可能选用不同表达，词面匹配无法命中。
+
+## 目录结构
+
+```
+dsh-memory/md_cg/
+|-- mdcg.py                      # 核心检索引擎（中文+英文通用）
+|-- semantic/
+|   |-- atoms.json               # 语义原子表（815 个中文概念）
+|   |-- SCHEMA.md                # 语义层 IR 定义
+|   |-- en_normalizer.py         # 独立英文归一化模块
+|   |-- zh_en_atoms.py           # 原子级中英序列化器（灵枢→soul hub）
+|   |-- canonical.py             # 标准语义归一面（词表真源+OOV 审计+组合共现）
+|   |-- search_index.json        # 双语搜索索引
+|   └── REPRODUCE.md             # 本文档
+└── lexicon/
+    |-- RULES.md                 # 构词法规则（R1-R7）
+    |-- standard_en.json         # 英文标准库（62 词条 + 186 语素，空格分隔）
+    └── char_atoms_clean.json    # 字级英文原子库（6320 字映射）
+```
+
+## 快速复现
+
+### 英文检索（中文语义归一化桥接 · 96.8/99.8/99.8，2026-09-14 主路线定稿）
+
+**路线裁定（使用者 2026-09-14）**：英文检索问题用「中文翻译 + 语义归一化」解决——
+查询侧由 AI 把英文原句归一为中文标准关键词（归一主体=AI，系统只供词表真源），
+中文关键词经字级原子映射转英文原子，与双语原子库做 Jaccard 匹配，返回英文原文。
+LoCoMo 500 题给定中文关键词 hit@10 = **99.8%**（`bench_en_atoms_public.py`
+臂②，**检索侧上界口径**——AI 归一环节质量未纳入该评测）。边界对照
+（同脚本臂③④⑤⑥⑦）：英文原题不做归一直接词面匹配 78.2-81.2%（同义词
+鸿沟硬边界）；机械词表归一端到端 57.2%（④，CEDICT 28294 键直译→②同
+链路，外部复核与本仓逐位一致）；②路鲁棒性：漏 20% 关键词/插 3 噪词/
+错译 20% 后 hit@10 仍 99.2-99.8（⑤⑥⑦，确定性扰动）——AI 归一只需
+「大致方向对」，不需完美。机械词级归一→纯中文库上界 33.6%（已排除）。
+
+加载字级原子库和语料，对中文内容做字级原子映射、对英文原文做归一化，
+合并为节点原子集。中文 query 关键词经字级原子映射转英文原子后，与节点原子集做 Jaccard 匹配。
+
+归一化规则（设计者裁定）：
+- 小写化（Caroline → caroline）
+- 去停用词（the/a/is/was/what 等不入原子集）
+- 去时态（不规则动词查 IRREGULAR 表；规则动词去 -ed/-ing）
+- 去复数（pets→pet；保守策略：-ous/-us/-is 结尾不剥）
+- 清标点（引号/问号等清除）
+- 保守原则（宁可少剥不可误剥，courageous 不剥 -s）
+
+### 字级原子库
+
+- 来源：通用规范汉字表一二级 6500 字 交集 CC-CEDICT 6494 单字条目
+- 映射数：6319 字（97.2% 覆盖率；内容政策清单剔除 1 字）
+- 排除：173 个纯音缀字（玻/璃/葡/萄 等无独立语义的字）
+
+### 已验证评测结果
+
+| 方法 | hit@1 | hit@5 | hit@10 | 语料 |
+|---|---|---|---|---|
+| 中文（md_cg 管线） | 94.6% | 99.2% | 99.2% | LoCoMo 500 题 |
+| **英文（中文语义归一化桥接，主路线）** | **96.8%** | **99.8%** | **99.8%** | LoCoMo 500 题（中文关键词→字级英文原子 × 双语原子库；检索侧上界） |
+| 英文机械归一端到端（④，词表直译无 AI） | 24.0% | 46.0% | 57.2% | LoCoMo 500 题（英文原题→CEDICT 直译→②同链路） |
+| 英文（归一化原子+Jaccard） | 52-53% | 79-81% | 87-88% | LoCoMo 500 题（中文关键词→英文原子） |
+| 英文理论天花板 | - | - | - | 同义词鸿沟 1820x |
+
+2026-09-14 本仓定稿复现（`bench_en_atoms_public.py`，词表与停用词表迭代后）：
+doc 侧=中文五槽字级映射 ∪ 英文正文归一词（双语原子库）；臂② 中文关键词→
+字级英文原子 **96.8/99.8/99.8（主路线定稿数字）**——查询侧语义链与写入侧
+加工面（中文五槽摘要）同构，与 ① 同属写入侧加工口径；臂③ 英文原题不归一
+直接匹配 50.0/74.6/81.2、臂③a 纯英文正文直接匹配 39.0/67.0/78.2——
+两臂为「不做语义归一化」的对照，与主路线 99.8 的差值即**中文翻译+语义
+归一化对英文检索问题的闭合量**（21.6pp）；臂④ 机械词表归一端到端
+24.0/46.0/57.2（英文问句→normalize_en_query 词表直译→②同链路，与②
+唯一差异=归一来源）——机械直译错译可译词（race→人种），低于不归一的
+81.2%，是「归一主体必须为 AI」的直接证据；臂⑤⑥⑦ ②路鲁棒性（确定性
+扰动：每 5 词丢 1/尾插 3 噪词「天气 音乐 旅行」/每 5 词错译 1）hit@10
+99.4/99.8/99.2——归一过半正确即稳 99%+；dsh 端 87-88 行为裸对话语料
+口径，与本仓加工面语料不同构，仅作方法学沿革记录。
+
+### 渐进式语义检索（Progressive Semantic Retrieval，2026-09-14）
+
+理论（使用者与 GPT 定稿）：语义解析的完整性与检索的必要性不是同一个
+问题——查询是不断收紧的约束集合，从最小可靠语义宽检索、按候选间区分度
+逐步加条件使语义收敛；DEFER=「分辨率不足，继续获取条件」（四态控制器
+语义）。控制器 `md_cg/progressive.py`（core_subset/discriminative/
+progressive_search，纯函数确定性，评分器注入式），测试
+`test_progressive.py` 19 断言，实验 `bench_progressive.py` 双实验：
+
+- 实验一（locomo-zh-500，doc 侧与②同口径）：G0 一次性全原子
+  96.8/99.8/99.8（=②锚点自校验）· G2 只宽检 50% 核心原子
+  85.2/95.8/97.0 · G1 渐进（平均 +2.97 条件）final 93.6/98.8/99.0
+  （MRR 0.8987→0.9579）——与一次性差 0.8pp，实证「不必一句话完成
+  语义理解」。
+- 实验二（受控干扰池 42+2 节点真实 MdCGOS）：2 条邻居伪造生效条件=
+  gold 同款 → judge 判 ACCEPT（冒充形态构造成功）；渐进后 top1 稳
+  gold 且不引入新冒充。**边界（如实）**：条件面冒充不被内容词渐进
+  消除（judge reason：生效条件命中+5 要素+负条件+基底全过）——词面
+  条件确认必要非充分，真伪判据=verification_basis/时间线冲突
+  （证据强度分离，另案）。
+
+run: `python -m md_cg.bench_progressive`
+
+### 已排除的无效方案
+
+以下方案经过实测并确认无效或恶化，不应重新尝试：
+1. 同义词扩展（CC-CEDICT 共现词不是同义词）
+2. 概念级映射替换字级（粒度不是瓶颈）
+3. terms 注入 content（稀释 Jaccard 分母，反而恶化）
+4. query 预判词注入 content（同上）
+5. query 共现扩展（共现词不等于同义词）
+6. char-bigram 英文匹配（英文字符无独立语义，区分度极低）
+7. md_cg char-bigram 管线跑英文（架构不适配，比独立方案更差）
+8. 词级 terms 映射（干净但覆盖面窄，不如字级+英文原文组合）
+9. 英文→中文**机械**词级归一→纯中文库（2026-09-14 使用者终局裁定排除；
+   注意排除的是机械词级归一路，非「中文归一化」路线本身——查询侧归一由
+   AI 完成，即主路线「中文翻译+语义归一化桥接」的正身）：
+   CEDICT 词级反查（17700→28294 键，doc 语料三级同构消歧）后 u2 hit@10
+   仅 33.6%，五连探针证据链（泛词/多候选/数字/消歧覆盖/原子差集）证明
+   缺口 100%=题面无词的 8 倍信息差（英文自然问句 p50 交集 1 vs 中文
+   标注关键词 p50 交集 8），机械归一路上界，与翻译质量无关；
+   中文关键词同库同路 99.2%（u2c）——瓶颈是题面信息量而非机制。
+   产物保留：`md_cg/lexicon/build_cedict_en_zh.py`（消歧器）+
+   `cedict_en_zh.json`（28294 键资产）+ `bench_unified_en.py`（对照评测）。
+
+### 与中文检索的关系
+
+中文检索走 md_cg 管线（char-bigram + 四路 RRF + 同义扩展 + terms 字段）。
+英文检索走「中文语义归一化桥接」主路：查询侧 AI 归一为中文关键词 → 字级
+原子映射 → 与双语原子库 Jaccard 匹配（不经过 md_cg char-bigram 管线，
+机械映射部分独立实现）。两者查同一个图，共用同一条中文语义链；英文原题
+直接词面匹配（78.2-81.2）仅作「不做归一化」的对照边界保留。
+
+### 语义摘要路（MDCG_SEMANTIC=1，2026-09-14）
+
+使用者设想的落地形态：**归一主体是 AI（写入侧与查询侧），系统只供词表真源**。
+
+- 词表真源：`atoms.json` 815 标准概念（`canonical.atoms_zh()` 只读加载）；
+- 写入：AI 归一后传 `add(semantic="鱼 油")`（空格分隔标准原子序列），落
+  `fm.semantic` 衍生层；OOV token 记 `fm.semantic_oov`（警告不拒绝）；
+  正文原文无损——归一错误仅限摘要层，词表更新后重归一可修复；
+- 查询：AI 检索前把原句归一为标准原子串（如「荤油」→「猪 油」）；
+- 检索（opt-in，默认关闭零回归）：`fm.semantic` 节点无条件入候选池
+  （摘要=检索面），打分用组合窗口共现（`canonical.pair_hits`，win=6）
+  与词法分 **max 聚合**。
+
+同义归一表**不进代码**（「荤油→猪油」由 AI 在两端理解里完成）；
+纯邻接判据已证过严（只救 1/3），win=6 为探针实证口径；
+开放域「鱼和油分述」的误配风险由组合结构约束兜底（P1 compositions，另案）。
+
+验收（`bench_blind_comp.py` seed=7，受控 33 篇）：L3 语义层 b0/b1=0% →
+b2（gold 带 semantic + 归一 query）=100%（hit@1/MRR=1.0，n=3）；
+L1 双臂 100% 不变（max 聚合零拖累）。原句直查（查询侧未归一）只救
+词面原子齐备题（1/3）——两端归一缺一不可。
+
+### 同义词数量级差异（根本原因）
+
+- 中文同义词对：95 个（10 组，47 词）
+- 英文同义词对：172,950 个（8,493 汉字，9,691 英文词）
+- 差异倍数：1,820 倍
+- 平均每概念英文表达数：5.2 种
+
+中文：概念→表达 是 1:1~1:2，词面匹配天然命中
+英文：概念→表达 是 1:5~1:20，query 和 content 极可能选不同表达

package/md_cg/semantic/SCHEMA.md

@@ -0,0 +1,33 @@
+# 灵枢语义层 · IR Schema v0.1
+
+> 语义语言层的中间表示（IR）——大脑（md_cg）的上游，语言的下游。
+> 存储：JSON（机器）+ MD（人读）。真源为本目录下的 JSON/MD 文件。
+
+## 语义原子（Semantic Atom）
+
+不可再分的语义单元。type 六类：entity / substance / property / event / state / relation。
+
+文件：atoms.json
+结构：{ meta, atoms: [ { id, zh, type, layer, degree, importance, bucket } ] }
+
+## 语义组合（Semantic Composition）
+
+两个及以上原子按角色组合，产生新概念。
+
+文件：compositions.json（待建）
+结构：{ id, type, roles: [{role, atom}], surface: {zh, en}, memory_anchor }
+
+## 组合算子（v0）
+
+| 算子 | 类型约束 | 例 |
+|---|---|---|
+| COMPOSE | SOURCE(animal) × MATERIAL(substance) → PRODUCT(food) | 牛+肉→牛肉 |
+| AGENT | agent(entity) × action(event) | 人+吃 |
+| MODIFY | property × entity | 大+脑 |
+| CLASSIFY | category × entity | 热力学+定律 |
+
+## 与认知图的对接
+
+语义原子 id → 认知图节点 id（通过 anchors 字段）
+语义组合 id → 认知图节点 id + N 条边
+检索归一：surface query → semantic → canonical → 认知图节点

package/md_cg/semantic/__init__.py

@@ -0,0 +1,10 @@
+# -*- coding: utf-8 -*-
+"""灵枢语义层（semantic IR）· 原子级中英归一管线。
+
+模块：
+  - atoms.json        语义原子（815）
+  - zh_en_atoms.py    中文文本 → 标准英文原子序列
+  - en_normalizer.py  英文 query → 中文语素序列（检索归一）
+  - build_en_index.py 英文词 → 中文原子倒排索引构建
+  - SCHEMA.md         IR schema v0.1
+"""