HyphaeDB：面向智能体优先的活性知识拓扑

# 基于 HNSW 图拓扑的智能体优先记忆活性知识拓扑：作为多智能体知识传播与涌现协调的八卦式通信织物  
来源：https://arxiv.org/html/2606.28781 (2026年3月)  

###### 摘要  
现有的向量数据库和智能体记忆框架都将记忆视为被动存储，需要智能体显式查询。没有任何系统能够通过记忆层本身在智能体之间传播知识。我们提出 HyphaeDB，一种智能体原生的记忆基础设施，它重新诠释了每一款现代向量数据库核心中的数据结构——分层可导航小世界 (HNSW) 图拓扑——不再是搜索优化，而是多智能体 AI 系统的*通信织物*。在 HyphaeDB 中，智能体是向量空间中拥有持久位置的节点，知识通过图的邻居结构以八卦协议传播并带有基于能量的衰减，而涌现行为——矛盾检测、模式结晶和共识形成——源于拓扑、传播动力学和局部交互规则的组合。我们提出了基于三个原语（知识节点、拓扑边和记忆差异）的架构，一个带有通过涌现共识进行提升的多层抽象层次结构，以及将系统建立在无标度网络理论、流行病广播协议和群体智能基础上的理论分析。我们提供了基于 PostgreSQL 和 pgvector 的参考实现，并描述了在多智能体软件工程方法论——群驱动开发中的具体部署。据我们所知，HyphaeDB 是首个将可导航小世界拓扑与基于八卦的知识传播相结合，以支持多智能体协调的系统。  

关键词：多智能体系统，智能体记忆，HNSW，八卦协议，知识传播，群体智能，向量数据库，涌现行为  

## 1 引言  
AI 智能体系统的快速普及——预计从 2025 年的 75 亿美元增长到 2030 年的 500 亿美元以上 (MarketsandMarkets,2025 (https://arxiv.org/html/2606.28781#bib.bib21); Grand View Research,2025 (https://arxiv.org/html/2606.28781#bib.bib9))——催生了对基础设施的迫切需求，不仅要支持单个智能体的智能，更要支持*集体*智能。随着各组织平均每家企业部署 12 个智能体 (Salesforce,2026 (https://arxiv.org/html/2606.28781#bib.bib27))，且 Gartner 预测到 2026 年底 40% 的企业应用将嵌入特定任务的 AI 智能体 (Gartner,2025 (https://arxiv.org/html/2606.28781#bib.bib8))，多智能体协调方面的基础设施缺口已成为关键瓶颈。  

这一缺口的核心在于记忆。每一款现有的智能体记忆框架——Mem0 (Yadav 等,2025 (https://arxiv.org/html/2606.28781#bib.bib30))、Letta (Packer 等,2023 (https://arxiv.org/html/2606.28781#bib.bib25))、LangMem (LangChain,2025 (https://arxiv.org/html/2606.28781#bib.bib15)) 等——都遵循相同的基本模式：从智能体交互中提取知识，存入向量数据库或图中，当智能体查询时再检索。记忆是被动的。在写入和读取之间，存储层是惰性的。它没有在智能体之间传播知识的机制，不知道哪些智能体需要哪些信息，也没有涌现行为的能力。  

本文提出 HyphaeDB，一种截然不同的智能体记忆原语。HyphaeDB 将 HNSW (分层可导航小世界) 图 (Malkov and Yashunin,2020 (https://arxiv.org/html/2606.28781#bib.bib18))——所有主流向量数据库用于近似最近邻搜索的索引结构——重新诠释为一种*通信织物*，其中：  
1. 智能体是向量空间中的节点，拥有持久位置，位置会随其工作漂移。  
2. 知识通过图的邻居结构以八卦协议传播，并有一个能量模型根据相关性和重要性进行衰减。  
3. 涌现行为源于拓扑：矛盾检测、模式结晶和共识形成无需显式编程即可发生。  

结果是记忆不再静静地躺在存储中等待被找到。它流经一个活的拓扑，找到需要它的智能体，在矛盾变成错误之前浮出水面，并结晶出任何单个智能体都无法孤立观察到的模式。  

贡献。本文做出四项贡献：  
1. 我们识别了 HNSW 图拓扑作为多智能体知识传播通信织物的重新诠释——据我们所知，这是首次提出使用可导航小世界图实现此目的。  
2. 我们设计了一个完整的、适用于语义知识传播的八卦协议，包括基于能量的衰减模型、通过涌现共识实现提升的多层抽象以及常驻信标订阅。  
3. 我们提供了将系统属性建立在无标度网络理论、流行病广播模型和群体智能基础上的理论分析。  
4. 我们给出了基于 PostgreSQL 和 pgvector 的参考实现，并描述了在多智能体软件开发工作流中的部署。  

## 2 相关工作  

### 2.1 智能体记忆系统  
自 2023 年以来，智能体记忆领域发展迅速。MemGPT/Letta (Packer 等,2023 (https://arxiv.org/html/2606.28781#bib.bib25)) 开创了受操作系统启发的记忆层次结构——核心记忆（上下文内，类似 RAM）、回忆记忆（对话历史，类似磁盘）和归档记忆（外部数据库）。其 2025 年的“休眠计算”创新将记忆管理与活跃对话分离，实现了异步记忆优化。Mem0 (Yadav 等,2025 (https://arxiv.org/html/2606.28781#bib.bib30)) 实现了一个两阶段记忆管线（提取然后更新），由 LLM 将候选记忆与向量存储进行协调，在 LOCOMO 基准测试上比 OpenAI 的记忆准确率高 26%。其图变体 (Mem0g) 使用有向标签图进行实体-关系存储。LangMem (LangChain,2025 (https://arxiv.org/html/2606.28781#bib.bib15)) 提供与 LangGraph 存储层集成的记忆工具，支持语义型、情景型和程序型记忆。  

所有这些系统都有一个根本局限性：记忆是智能体*从中读取*和*向其写入*的东西。没有系统能通过记忆层本身在智能体之间传播知识。2025 年关于基于 LLM 的多智能体系统记忆的调查 (Zhang 等,2025 (https://arxiv.org/html/2606.28781#bib.bib31)) 确认“MAS 记忆必须支持跨多个上下文层的协调”，但未识别出能实现这一点的生产系统。A-Mem 系统 (Xu 等,2025 (https://arxiv.org/html/2606.28781#bib.bib29)) 引入了受 Zettelkasten 启发的动态记忆组织，其中记忆可以自我链接，代表了与主动记忆最为接近的学术工作，但仅作用于单个智能体。  

### 2.2 HNSW 与可导航小世界图  
HNSW 算法 (Malkov and Yashunin,2020 (https://arxiv.org/html/2606.28781#bib.bib18)) 构建了一个多层邻近图，其中第 0 层包含所有数据点，具有密集的局部连接，而较高层包含逐渐稀疏的子集，具有更远距离的链接。层级分配遵循指数分布：l(x) = ⌊−ln(uniform(0,1)) · mL⌋。该结构继承了 Watts 和 Strogatz (1998 (https://arxiv.org/html/2606.28781#bib.bib28)) 识别的小世界性质——高局部聚类和短平均路径长度（缩放为 O(log N)）——同时满足 Kleinberg (2000 (https://arxiv.org/html/2606.28781#bib.bib14)) 证明的可导航条件：当长距离连接服从 P(u→v) ∝ d(u,v)^(-d) 时，贪心路由能达到 O(log² N) 的传递时间。Malkov 和 Ponomarenko (2016 (https://arxiv.org/html/2606.28781#bib.bib19)) 证明了 HNSW 通过增量构建能涌现地实现这种分布。2024 年的枢纽高速公路假说 (Hub Highway Hypothesis) (Munyampirwa 等,2024 (https://arxiv.org/html/2606.28781#bib.bib23)) 揭示，HNSW 图会自然形成连接良好的枢纽节点，作为路由捷径，结构上类似于通信网络中的骨干路由器。这些枢纽无需显式设计，在构建过程中涌现。  

没有已发表的研究将 HNSW 拓扑用于通信路由或智能体协调。然而，在邻近领域存在先例：Symphony (Manku 等,2003 (https://arxiv.org/html/2606.28781#bib.bib20)) 在 Kleinberg 的可导航小世界模型上构建了分布式哈希表 (DHT)；Freenet 的暗网 (Clarke 等,2005 (https://arxiv.org/html/2606.28781#bib.bib4)) 使用小世界路由实现匿名通信；跳图 (skip graphs) (Aspnes and Shah,2003 (https://arxiv.org/html/2606.28781#bib.bib1)) 将多层结构推广到分布式设置。  

### 2.3 八卦协议  
Demers 等人 (1987 (https://arxiv.org/html/2606.28781#bib.bib6)) 的开创性工作确立了两种互补的八卦机制：*反熵*（完全状态同步）和*谣言传播*（概率性扩散）。支配八卦的 SI 流行病模型遵循逻辑增长：从一个知情节点出发，在 N 个节点中，经过 k 轮且扇出为 f 时，大约到达 N · (1 − e^(−fk/N)) 个节点，以高概率在 O(log N) 轮内实现完全传播。SWIM (Das 等,2002 (https://arxiv.org/html/2606.28781#bib.bib5)) 通过将更新附加在探测/确认消息上实现了 O(N) 的消息复杂度。HyParView (Leitão 等,2007a (https://arxiv.org/html/2606.28781#bib.bib16)) 维护双重部分视图，在 80-95% 节点故障下提供容错性。Plumtree (Leitão 等,2007b (https://arxiv.org/html/2606.28781#bib.bib17)) 构建自组织的广播树，每次广播实现近乎最优的 N-1 条有效载荷消息。T-Man 协议 (Jelasity and Babaoglu,2009 (https://arxiv.org/html/2606.28781#bib.bib11)) 使用八卦交换以对数收敛速度构建任意覆盖拓扑。空间八卦 (Kempe 等,2001 (https://arxiv.org/html/2606.28781#bib.bib13)) 分析了节点选择概率与距离成反比的八卦，在可导航的最佳点上实现了 O(log^(1+ε) N) 的传递——这直接适用于在 HNSW 的距离感知拓扑上运行八卦。2025 年的一篇展望论文 (Bénézit 等,2025 (https://arxiv.org/html/2606.28781#bib.bib2)) 明确提出了将八卦作为智能体多智能体系统的一等原语，但未指定拓扑。HyphaeDB 提供了这个拓扑。  

### 2.4 群体智能与涌现  
Reynolds 的 Boids 模型 (Reynolds,1987 (https://arxiv.org/html/2606.28781#bib.bib26)) 证明三个局部规则无需中央控制即可产生一致的群体飞行动作。蚁群优化 (Dorigo and Stützle,2004 (https://arxiv.org/html/2606.28781#bib.bib7)) 显示局部信息素动力学能产生全局最优路径。Grassé 的 Stigmergy (Grassé,1959 (https://arxiv.org/html/2606.28781#bib.bib10)) 确立了无需规划、通信或相互意识便可产生复杂协调活动——这正是 HyphaeDB 用数字方式实现的协调类型。Olfati-Saber 等人 (2007 (https://arxiv.org/html/2606.28781#bib.bib24)) 展示了网络拓扑通过图拉普拉斯算子的特征值直接影响共识动力学，小世界性质能实现快速收敛。Moore 和 Newman (2000 (https://arxiv.org/html/2606.28781#bib.bib22)) 证明了小世界网络上的流行病传播被大幅加速：高聚类确保局部传播，而短路径实现快速的全系统传播。Buehler (2025 (https://arxiv.org/html/2606.28781#bib.bib3)) 表明递归图扩张产生无标度网络，具有涌现的概念枢纽和有界直径增长，表现出“类似人类的分层知识形成”。  

## 3 架构  
HyphaeDB 构建在三个原语之上。所有系统功能——知识存储、智能体通信、订阅管理、共识形成——都归结为这些构造的组合。  

### 3.1 原语 1：知识节点  
拓扑中的每个实体都是一个*知识节点*，在向量空间中拥有位置：  
node = (id, τ, e, l, φ)   (1)  
其中 τ ∈ {cell, agent, scene, beacon} 是节点类型，e ∈ R^d 是嵌入向量（默认 d=1536），l ∈ {0,1,2} 是层级分配，φ 是类型特定的有效载荷。  

Cell 节点表示原子知识单元：决策、事实、模式、风险、教训、约束等类型化信息。每个 cell 有一个显著度得分 s ∈ [0,1] 指示重要性，以及一个置信度得分 c ∈ [0,1] 指示确定性。  

Agent 节点表示 AI 智能体，在空间中拥有持久位置。智能体的位置计算为其近期访问或创建的 cell 的加权质心：  
e_agent = (∑ w_i · e_i) / ||∑ w_i · e_i||  其中 w_i = s_i · e^(−λ · Δt_i)   (2)  
s_i 是 cell i 的显著度，Δt_i 是自上次访问以来的时间，λ = 0.1 是衰减率。随着智能体的工作主题迁移，其位置在向量空间中漂移，自然地进入和离开不同的拓扑邻域。  

Scene 节点是合并产生的主题质心——总结一个连贯知识区域（例如“认证——OAuth2”）的聚类中心。它们位于第 1 层或更高层。  

Beacon 节点是放置在固定位置的常驻订阅。安全审查智能体可以在“安全风险”位置放置一个信标；任何经过该区域的八卦都会激活信标，并将内容投递到智能体的收件箱，无论智能体当前位于何处。  

### 3.2 原语 2：拓扑边  
边定义了通信通道。它们隐含地存在于 HNSW 图中（由 pgvector 管理以支持搜索），并显式地存在于拓扑边表中：  
edge = (src, tgt, τ_e, ω, b)   (3)  
其中 τ_e ∈ {semantic, causal, subscription, promoted} 是边类型，ω ∈ (0,1] 是连接权重，b 是带宽（八卦容量）。穿越一条边的跳代价是 ω^(−1)：强连接穿越成本低，弱连接成本高。  

### 3.3 原语 3：记忆差异  
八卦的基本单位是*记忆差异*——一种通过拓扑传播的变化通知：  
diff = (origin, τ_d, e_d, E, s, h, h_max, P, TTL)   (4)  
其中 τ_d ∈ {created, updated, superseded, contradiction, pattern, promoted}，e_d 是差异的嵌入，E 是剩余能量，s 是显著度，h 是当前跳数，h_max 是最大跳数，P