zotero-wave-rag

面向 Zotero 论文库的浪潮式 RAG 细节检索系统 —— DeepSeek Harness (DSH) 外部插件（纯 TypeScript，零运行时依赖，node:sqlite 直读 Zotero 库）。

在传统向量 RAG（KNN 最近邻）之上，移植并实现了 VCPToolBox "浪潮语义动力学" 的四个核心思想 （参考项目：github.com/lioensky/VCPToolBox ｜ 官网 vcptoolbox.com —— 本仓库按其公开文档所述算法思想独立重新实现，未搬运其代码，并在 Zotero 论文库场景落地为可评测的检索系统）：

1. 标签河道图传播 —— 论文为节点、共享标签为河道边（权重 ∝ 1/标签稀有度），查询先做稠密召回得种子，再沿图做 personalized-PageRank 式多跳传播，挖出"语义不相似但沿关系链真实相关"的论文；
2. 虫洞跳转 (Wormhole) —— 预计算"结构相连但语义疏远"的桥接边（共享作者/收藏夹、无共享标签、低向量相似），让能量跨领域跳跃；
3. 钟型阻尼 (Bell Damper) —— 贪心选集时对与已选论文高度同质的候选做重叠惩罚，抑制"同义回音"、保证多样性；
4. Ω 泛函重排 —— score = Π[0,1]( α·语义基线 + β·拓扑创新 + γ·直接锚点 )，其中创新通道只奖励"传播分超过其标签类期望"的候选（对应 RiverMemo Topology V3 的条件创新项），锚点通道保护 hop-0 事实匹配（查询点名标题/作者/标签）。

配套：论文细节卡生成（元数据 + 方法/贡献/实验 + 图邻居关联 + 证据引文）、与 NaiveRAG 基线的消融评测、超参网格搜索、claim–evidence 忠实度校验。

架构

zotero.sqlite(node:sqlite) / 内置示例库
  → 元数据/作者/标签/收藏夹/批注/全文(fulltextItems)
  → 分块 → 可插拔嵌入(hash 离线 | API) → 标签河道图(含wormhole候选边)
  → 稠密种子 → 图传播 → 虫洞 → Ω重排 → 钟型阻尼 → Top-K
  → BM25 全文稀疏通道 + RRF 融合
  → 细节卡生成(抽取式 | LLM，逐句证据校验)   →   评测/消融 CLI

数据接入

• 直读 Zotero 数据目录：指向含 zotero.sqlite（及 storage/ PDF）的目录即可，无需导出/迁移；
• 两级索引成本工程：ZWR_INDEX_LEVEL=abstract 只嵌入标题+摘要（成本约全文字级的 1/60）， 细节卡直接使用已提取的 PDF 全文（按需切块，不需要嵌入）；fulltext 级完整嵌入全文；
• 增量嵌入缓存（缓存 v3）：per-paper 内容哈希，只重嵌变化的论文；全库未变时零嵌入调用直接命中；
• Zotero 6/7 适配：Zotero 6 的 fulltextItems.indexableText 存原始全文直接读取；Zotero 7 移除该列后自动回退 poppler pdftotext 提取（磁盘缓存）；附件 path 新旧两种格式兼容； 中文/日文论文无空格分词问题由 CJK 边界处理解决；
• 校验：node scripts/check-zotero-dir.mjs <数据目录>。

ZWR_DATA_DIR=/path/to/zotero node scripts/ingest.mjs   # 建索引（全文+索引缓存于 .zwr-cache/）
node scripts/query.mjs "查询" --detail                  # 直接查询

DSH 插件工具

检索内容策略（本地、零 API 成本）

1. 全文 BM25 稀疏通道 + RRF 融合（retrieval/bm25.ts）：BM25 不需要嵌入， 因此全部正文都能免费建词法索引——精确术语、方法名、缩写（VCCT/CZM/PDDO）只出现在正文也能命中；
2. 领域查询扩展（retrieval/expand.ts）：缩写→全称、中文↔英文桥（近场动力学→peridynamics、 拉弯耦合→tension bending coupling…），跨语言检索互通；
3. 标签自举（ingest/autotags.ts）：从标题+摘要自动提取领域词作为 autoTags （不污染用户标签，只进图/BM25），让浪潮的"标签河道"在用户未打标签的库上重新有水。

忠实度校验层（RAG 失败案例驱动的两项能力）

1. methodType 自动分类：标题+摘要关键词打分 → experimental / numerical / analytical / review / mixed； 细节卡与检索命中都带该字段，zotero_search 支持 type 过滤——数值模型论文不会混进"试验"查询结果；
2. claim–evidence 校验器（generate/claim_check.ts）：LLM 生成细节卡后逐句校验——复用插件自身的 BM25 词管线和中英桥词典，判"该句是否被证据支持"；不支持句标注「⚠ 此句未在证据中找到直接支持」 而非静默删除（含跨语言支持）。

局限（如实）：校验为词法级（含中英桥），语义级蕴含（近义改写）需 API 嵌入或 NLI 模型。

嵌入模型选择（用户入口）

两个入口，选择即持久化（~/.config/zotero-wave-rag/config.json），索引缓存按模型隔离、切换后自动重建：

• DSH 工具 zotero_embedder：list 查看预设与当前模型；set <id> 切换；
• CLI：node scripts/embedder.mjs list | set <id> | status。

运行时配置文件还包含 dataDir 与 indexLevel——数据目录与索引粒度都可运行时切换，无需在服务器启动时注入环境变量。 优先级：运行时配置（用户显式选择）> 环境变量（ZWR_EMBEDDER*/ZWR_DATA_DIR/ZWR_INDEX_LEVEL）> 默认值。 API key 只从本地 .env.local（gitignored）读取，不落入预设注册表。

参考与致谢

• VCPToolBox（浪潮语义动力学 / TagMemo / RiverMemo Topology V3 算法思想的来源）：https://github.com/lioensky/VCPToolBox ｜ https://www.vcptoolbox.com
• llm-for-zotero（RAG/Embedding 工程实践参考，混合检索与嵌入缓存模式借鉴）：https://github.com/yilewang/llm-for-zotero

说明：本项目的浪潮检索核心（标签河道图传播 / 虫洞跳转 / 钟型阻尼 / Ω 泛函重排）是对 VCPToolBox 公开文档所述算法思想的独立 TypeScript 实现，不包含其代码；检索/评测/成本工程等为本仓库自研。

DSH 平台更新注意（踩坑实录）

DSH 快照更新到 profile-patch 架构后，旧 ~/.dsh/config.yaml 覆盖层被彻底移除，外部插件改由 ~/.dsh/cordis.patch.yml（home 级）与 ~/.dsh/profiles/web/cordis.patch.yml（profile 级，启动时应用）挂载。 症状：dshx list 显示 [on] 但工具全部缺失（管理 API /api/dshx/list 的 warnings 列出声明未挂载的工具）。

迁移方法：把插件 insert 行（文件路径 name）写入两个 patch 文件，并迁移既有用户配置行。 注意：每次 DSH 自更新会切换 staging 目录，patch 里的文件路径需随之刷新（dshx install 仍写旧 config.yaml， 属 dshx 与新运行时的版本错位，平台修复前需手动维护 patch）。

开发

pnpm run build    # tsc -> lib/
pnpm run verify   # 以宿主 tsx loader 挂载插件并逐个执行工具（含宿主侧 schema 校验）
node scripts/ingest.mjs    # 建索引
node scripts/eval.mjs      # 消融评测
node scripts/sweep.mjs     # 超参搜索
node scripts/preflight.mjs # 工具输出 schema/无损预检
dshx install zotero-wave-rag .   # 安装进 DSH checkout
dshx list / dshx verify zotero-wave-rag