Lawsight 多智能体数据飞轮系统技术解决方案 V1.0

LAWSIGHT · DATA FLYWHEEL · AGENTIC WORKFLOW

Lawsight AI Agentic Workflow 多智能体数据飞轮系统技术解决方案
——基于知识图谱数据沉淀与 RSI 自我进化双飞轮的详细设计与工程实现

• 文档类型：技术解决方案（白皮书）　版本：V1.0　日期：2026 年 11 月
• 适用平台：Lawsight 信任中心八仓库（Step1-4 全流程 / FTO 多智能体 / WorkDsh 工作台 / Deep-Analysis 深度分析 / Design-Patent 外观比对 / CIAS 版权智审 / Legal-Cases 类案 RAG / Security-Plane 中央安全平面）
• 技术立场：不训练模型权重 · 知识沉淀于图谱 · 能力增长来自评估 · 一切变更可审计可回滚
• 上游文档：《基于知识图谱数据沉淀的 AI Agent 数据飞轮技术解决方案》《Lawsight 安全技术解决方案 V2.0》《法律案例库智能体 RAG 技术解决方案》

内部技术资料 · 仅供架构评审与工程实施参考

---

执行摘要

本方案面向 Lawsight 知识产权 AI 智能体平台的全部八仓库与七条业务线（发明专利侵权分析、发明专利非侵权分析、外观设计侵权分析、外观设计非侵权分析、图片版权侵权分析、图片版权费用争议分析、FTO 自由实施分析），给出一套不依赖任何模型训练（不做 SFT/DPO、不更新 LLM 权重）的多智能体数据飞轮系统的完整技术解决方案。方案在附件白皮书《基于知识图谱数据沉淀的 AI Agent 数据飞轮技术解决方案》的 GraphRAG 知识飞轮基础上，融合平台已建成的 WorkDsh RSI 自我进化子系统、七仓库轨迹/事件/计量基础设施与中央安全平面治理能力，形成知识飞轮 × 策略飞轮双轮啮合的平台级闭环：每一次专家交互既沉淀为知识图谱中的确定性事实，又转化为智能体策略（提示词、上下文、工具、工作流参数、检索阈值、模型路由）的可度量改进，使各智能体系统的效果随使用持续复利增长，性能指标节节攀升。
方案的核心设计包括：（1）统一事件总线——以零依赖 SDK 把八仓库的运行轨迹、门禁裁决、逐行审阅、改判与评分统一为 FlywheelEvent 契约，经 Redis Stream 与信标双通道汇入飞轮平面；（2）统一知识图谱——在白皮书 15 类领域节点、13 类结论关系之上扩展 7 类能力节点（Agent、PromptVersion、Strategy、EvalRun、TestCase、ErrorPattern、SearchRecipe），使图谱同时承载领域知识与智能体能力知识，L0—L4 置信度分级与冲突仲裁保障知识质量；（3）飞轮核心引擎——反馈捕获→LLM 封闭世界结构化提取→安全校验→GraphPatch 事务写图→索引同步与统计反哺五阶段管线；（4）GraphRAG 检索推理引擎——图遍历优先、向量为辅的三路混合召回，已知事实/参考示例/约束规则三段式 Prompt 动态组装，输出侧逻辑锚校验与幻觉阻断；（5）评估基准体系——四组飞轮指标、逐智能体 KPI 矩阵、四类测试集（黄金修正集由真实专家修正自动构造）、离线回归→影子评估→A/B 灰度→全量的发布门禁，任何劣化超阈值的变更被自动阻断；（6）策略优化闭环——将 WorkDsh 已验证的 RSI 七优化器（提示遗传变异、元上下文工程、工具策略、记忆治理、工作流参数探索、代码插件、检索调参）联邦化为平台级策略注册表，经沙盒回归、人工批准、A/B 结算与自动回滚后热分发至各仓库；（7）安全治理一体化——复用中央安全平面的认证、审计哈希链、证据登记、检查点签名与 LLM 网关零保留路由，飞轮全部写入可溯源、可回滚、按租户隔离。
实施路线分三阶段：冷启动期（第 1—3 月）完成图谱 Schema 落地、存量数据资产入图（427 件类案、1549 条向量、87 件外观案件、72 件版权案件、18 件全流程事务）与两条业务线试点，目标历史映射命中率 ≥30%、专家修正率 ≤50%；成长期（第 4—12 月）七线全量接入、置信度与校验器全开、Prompt 规则进化与 RSI 联邦运转，目标命中率 ≥70%、修正率 ≤25%、L2 及以上边占比 ≥40%；成熟期（第 13 月起）行业级知识资产沉淀与模型底座平滑换代，目标命中率 ≥85%、校验器一次通过率 ≥90%、单案件分析人时下降一半以上。全部数值为目标示意值，用于对齐演进节奏，具体基线在试点中校准。

第一章 背景与现状盘点

1.1 业务背景与智能化瓶颈

专利与版权分析是典型的「高知识密度、强逻辑约束、重先例依据」专业服务。一份合格的权利要求对照表（Claim Chart）必须同时满足：权利要求拆解准确（《专利法》第六十四条第一款，保护范围以权利要求内容为准）、特征映射有据（全面覆盖原则与等同原则，法释〔2009〕21 号第七条）、结论可解释（每行结论回溯到说明书、公知常识或生效裁判的具体论述）。将此类任务直接交给通用大语言模型存在四类结构性瓶颈：幻觉不可接受（编造文献、虚构判例要旨）、领域知识不在参数之中（术语个案解释、审查习惯、费率惯例高度碎片化且持续更新）、经验无法沉淀（资深律师的每次修正随案件结束被封存）、多客户数据隔离（保密义务排除集中训练路线）。附件白皮书已系统论证微调路线在数据合规、更新周期、增量成本、可解释性与灾难性遗忘五个维度的局限，本方案继承其技术立场：把经验沉淀从参数空间迁移到图谱空间，模型权重保持出厂状态，业务能力由外置知识图谱的密度与质量决定。

1.2 平台现状：八仓库能力盘点

Lawsight 平台已完成八仓库的建设与安全整改（见 INTEGRATION.md），具备统一的安全 SDK、存储 SDK 与基础设施栈。表 1-1 盘点各仓库的智能体形态与已具备的飞轮要素——这些要素是本方案的集成基础，方案的原则是联邦而非重建：不推翻任何已验证的引擎，只补齐「采集—沉淀—评估—优化」的平台级闭环。
表 1-1 八仓库能力与飞轮要素盘点

仓库（端口）	智能体形态	已具备的飞轮要素	主要缺口
Step1-4-Agentic-Workflow（8300）	四步全流程：A1—A8 分诊解析、QueryPlanner 六类查询并进行检索、九阶段证据映射，Step4 结论装配；九道门禁（C1—C4、CP-07—11）	逐行审阅三态（接受/改写/拒绝）、证据否决、知识注入、ALR 假设台账、哈希链审计、TokenMeter、自研可观测层（Trace/Span）、mem0 项目记忆	审阅信号未结构化沉淀；无跨事务知识复用；检索为演示级词项打分
lawsight-fto（8005）	七阶段多智能体流水线（特征解析→检索→法律过滤→权利要求比对→风险评估→报告→QA）+ 21 工具对话协调器；发明/外观双模式	三人工关卡（特征确认/律师复核/终审签发）、override_risk 改判回流、检查点快照、harness 轨迹可回放、token 双写计量、规则×LLM 双层兜底	关卡修正未入图；检索式与风险结论未跨任务复用；无回归基准
lawsight-workdsh（8002）	WorkBuddy 式工作台：会话引擎 + Agent Harness（工具注册表/生命周期钩子/记忆/压缩）+ 82 法律技能 + MCP 外部服务	完整 RSI 自我进化子系统（Perform→Evaluate→Modify→Redeploy，七优化器、A/B、沙盒、治理、13 张 rsi_* 表）；记忆四层显式反馈；Redis Stream 计量	RSI 仅覆盖本仓库；知识提取未图谱化；优化策略不能分发到其他仓库
lawsight-deep-analysis（8001）	Patent Analysis Agents 多智能体深度分析，会话式交互，SQLAlchemy async	会话与任务留痕、报告生成	无反馈采集、无评估、无知识沉淀
lawsight-design-patent（8123）	外观比对流水线：特征矩阵提取→评分→规避方案→版本管理；以图搜图	t_feature_matrix/t_score/t_avoid_scheme/t_design_version 结构化数据、8 项 benchmark、审计表	人工改判未回流；特征权重静态；benchmark 未接入门禁
copyright-detective/cias（8000）	版权智审：图像相似度工具 + 判定规则 + 用户记忆	审计哈希链（465 条）、cias_user_memory、72 件案件结构化数据	相似阈值静态；判定修正未沉淀为基线
lawsight-legal-cases（8111）	类案 Agentic RAG：采集→分块→嵌入→四路召回→引用核验→生成；兼 MCP Server	427 案/1549 向量、token_metrics 账本、引用校验器、设计文档已定义三层评估指标与发布门禁	评估体系未工程化落地；检索参数无自动调优；图谱子图未建
lawsight-security-plane（8200）	中央安全平面：认证/审计链/证据登记/工具注册表/LLM 网关/服务运营中心/SSO/安全模式总控	审计哈希链、证据登记、检查点 HMAC、信标事件接收（/api/beacon/events）、LLM 网关零保留路由、319 接口巡检	无知识沉淀与评估能力；信标仅安全事件

1.3 已有数据资产与基础设施

存储层工业化改造已完成：MySQL 8.4（八业务库、81 张表、约 9400 行真实数据）、MiniIO（对象存储，约 8000 对象）、Qdrant v1.12（case_chunks 1549 条真实向量、wf_project_memory 项目记忆）、Redis 7（wf:llm_tokens 令牌流水，九字段契约：ts/user_id/matter_id/stage/name/model/tokens_in/tokens_out/total）。共享 SDK 两套：lawsight_security（HS256 验签、G0 认证中间件、netguard、G1 防火墙、mcpguard、事件信标）与 lawsight_storage（database/objects/vector/migrate/health，MySQL 与 sqlite、MiniIO 与本地磁盘、Qdrant 与 npz 同 API 可切换）。基础设施由 deploy/infra/docker-compose.yml 编排，数据绑定挂载本机目录。这些资产意味着飞轮系统不需要新建存储栈的主体，只需新增图数据库（Neo4j）与飞轮平面服务，并复用既有 SDK 模式扩展采集与检索能力。

1.4 缺口分析

表 1-2 平台级飞轮缺口与对策映射

编号	缺口	后果	本方案对策（章节）
G1	无统一反馈契约：各仓库修正/审阅/改判信号形态各异且多数未采集	专家经验随任务结束丢失，飞轮无燃料	统一事件总线 + 八仓库信号映射（第四章）
G2	无知识图谱：经验散落在 81 张关系表与文件记忆中，无法跨案件推理复用	同类案件从零开始，命中率无法增长	统一 KG Schema + 存量资产入图（第五、十六章）
G3	无置信度治理：机器输出与专家确认混同，错误知识无分级隔离	幻觉与污染随检索放大	L0—L4 置信度模型 + 冲突仲裁（第六章）
G4	检索与推理未图谱化：各引擎提示词静态组装，不确定性事实注入	模型概率推理不受专家经验约束	GraphRAG 引擎 + 逻辑校验器（第八章）
G5	评估未工程化：legal-cases 设计文档的指标体系未落地，其余仓库无基线	「越用越好」无法证明，劣化无法拦截	四组指标 + 黄金修正集 + 发布门禁（第九章）
G6	RSI 孤岛：workdsh 自我进化仅作用于本仓库热配置	七仓库各自硬编码提示词与阈值，优化不复利	策略注册表联邦 + 热配置分发（第十章）
G7	无跨仓库共享记忆：mem0、workdsh 记忆、cias_user_memory 互不相通	组织级知识资产无法形成	KG 单一事实源 + 记忆联邦（第十二章）
G8	飞轮治理缺位：知识写入无审计、无回滚、无租户隔离强制	法律场景不可接受的知识事故风险	安全平面一体化 + 版本链回滚（第六、十三章）

1.5 方案边界与术语

适用边界：覆盖分析类业务的知识沉淀与推理增强，以及智能体策略的持续优化；不覆盖法律文书全自动出稿（保留人工审查）、专利申请文件撰写与诉讼程序管理；不涉及需特殊资质的敏感数据源。三条系统不变量继承自白皮书：（1）模型权重全生命周期不变，能力提升仅来自图谱与 Prompt/策略层变化；（2）进入结论性上下文的知识必须携来源与置信度，无来源的模型自由发挥限制在草稿区；（3）自动提取结果必须通过校验与必要的人工复核，人工确认优先级永远高于机器生成。核心术语：数据飞轮（用户反馈驱动能力持续增长的正反馈闭环）、GraphRAG（以知识图谱为检索与推理基础的 RAG 范式）、GraphPatch（图谱增量补丁，一组原子化增删改操作）、conf_level（L0—L4 置信度层级）、RSI（Recursive Self-Improvement，递归自我改进）、FlywheelEvent（本方案定义的统一事件契约）、策略（Strategy，可版本化、可 A/B、可回滚的智能体行为配置单元）。

第二章 总体设计理念：双飞轮模型

2.1 范式选择：知识外置而非权重内化

传统「数据飞轮」叙事往往指向模型训练闭环：收集数据→微调→部署→再收集。本方案明确拒绝纯这条路径，原因有三。其一，法律与知识产权分析对可溯源性有刚性要求——每一条结论必须能回溯到具体法条、判例或证据原文，而微调把知识压进数十亿参数后无法逐条溯源，与平台「引用准确率 100%」的第一指标根本冲突。其二，八仓库共用 glm-5.3-flashx 文本模型与 glm-4.5v 视觉模型，经智谱开放平台零保留路由（glm-cloud-zr）调用，平台不持有也不应持有权重训练能力与合规授权。其三，法律领域知识更新频繁（法条修订、新判例、新审查指南），训练周期以周月计，远慢于知识生效所需的「小时级」。
因此本方案采用知识外置（Knowledge Externalization）范式：LLM 始终是不变的推理引擎与信息抽取器，全部可增长的能力沉淀在模型之外的两个载体——知识图谱（KG）承载「事实与结论」，策略热配置（Hot Config）承载「方法与偏好」。模型权重全生命周期不变，系统能力的提升完全来自这两个外部载体的演化。这正是附件白皮书的核心命题，也是 workdsh 仓库 RSI 子系统已验证的工程路线（RSI 的七类优化器全部作用于 Prompt/上下文/工具/工作流参数，无一触碰权重）。

2.2 知识飞轮：把专家修正变成可复用的图资产

知识飞轮（Knowledge Flywheel）回答「系统如何越用越懂法律」。其闭环为：运行产生轨迹 → 人工修正/采纳产生反馈 → 反馈抽取为 GraphPatch → 经置信度治理写入 KG → GraphRAG 在下次任务中召回这些知识 → 命中率上升、修正率下降。每一次律师把「not_covered」改判为「equivalent」、每一次否决一条证据、每一次签发一份意见书，都不再是随任务结束而蒸发的瞬时动作，而是被结构化为带来源、带置信度、带版本的图节点与关系，永久改变系统对同类案件的理解。
知识飞轮的增长引擎是置信度累积：同一结论被多个独立案件、多位专家反复验证，其置信度从 L0 草稿（0.30）逐级攀升至 L4 先例锚定（1.00）；只有 L3 及以上的知识才允许进入结论性上下文。这保证了「越用越好」的同时「越用越稳」——低置信的猜测永远不能冒充确定的先例。白皮书给出的量化目标（历史映射命中率 30%→70%→85%、专家修正率 ≤50%→≤25%、L2+ 边占比 ≥40%）正是知识飞轮转速的度量。

2.3 策略飞轮：把运行轨迹变成可进化的方法

策略飞轮（Strategy Flywheel）回答「系统如何越用越会干活」。它直接联邦 workdsh 已落地的 RSI（Recursive Self-Improvement）子系统，闭环为：Perform 采集轨迹 → Evaluate 识别改进机会 → Modify 生成优化策略 → 沙盒回归验证 → A/B 分流结算 → Redeploy 热配置生效 → 监控熔断回滚。其优化对象是七类「方法旋钮」：基础系统提示词（遗传变异+A/B）、上下文工程（历史轮数/技能正文/资料注入/压缩预算）、工具策略（开关/超时）、记忆策略（遗忘/迁移）、工作流参数（轮数上限/评审开关/进化周期，ε-greedy 探索）、代码插件（评审融合管线）。元学习按历史胜率调度优化器，可信度公式为 (wins+1)/(total+2)×平均收益。
策略飞轮的关键纪律是安全收敛：默认自主级别 L2（人工批准前不写入任何运行时配置）、AST 白名单+子进程隔离+8 秒硬超时的沙盒、champion 恒定不被 challenger 覆盖的确定性哈希 A/B、错误率超 0.3 自动回滚最近策略并熔断进化。这使「自我进化」不是失控的自我修改，而是受治理的持续实验。

2.4 双飞轮啮合：知识喂养策略，策略反哺知识

两个飞轮不是并列的孤岛，而是通过共享的「能力图谱」与「评估信号」相互啮合：

• 知识→策略：KG 中沉淀的 ErrorPattern（错误模式）节点直接成为 RSI 评估器的改进机会来源——当某类要素映射反复被律师改判，评估器据此触发提示词优化器或工具策略优化器；KG 中的 SearchRecipe（检索配方）成为工作流参数优化的先验。
• 策略→知识：RSI 的 PromptVersion、Strategy、EvalRun 作为能力节点写入同一张 KG，与领域知识共享置信度治理与版本链；一次成功的 A/B 晋升（challenger 胜出）被记录为可溯源的策略先例，供元学习调度复用。
• 共享评估：第九章的评估基准体系同时为两个飞轮提供门禁——知识入图要过校验器，策略上线要过回归集；离线提升而在线持平即触发测试集更新，防止两个飞轮各自空转。
  啮合的物理载体是统一事件总线（第四章）与统一知识图谱（第五章）：所有仓库的反馈与轨迹汇入同一条 FlywheelEvent 流，所有沉淀写入同一张带租户隔离的图。这使得「发明专利侵权分析」中学到的术语构造，可以被「FTO 分析」复用；「Step1-4」中验证有效的检索配方，可以被「deep-analysis」的策略优化器采纳。跨业务线的知识迁移，正是单仓库 RSI 无法企及、而平台级双飞轮独有的复利。

2.5 飞轮动力学与北极星指标

飞轮是否真正转动，用一组可计算的北极星指标度量，而非主观感受。表 2-1 给出指标体系与三阶段目标，全部指标在第九章有精确的计算口径与采集来源。
表 2-1 双飞轮北极星指标与三阶段目标

维度	指标	冷启动期（1—3 月）	成长期（4—12 月）	成熟期（13 月+）
知识转速	历史映射命中率	≥30%	≥70%	≥85%
知识转速	专家修正率	≤50%	≤25%	≤15%
知识质量	L2+ 置信边占比	≥20%	≥40%	≥60%
知识质量	引用校验通过率	≥90%	≥95%	≥99%
策略转速	策略 A/B 晋升数/季	≥2	≥6	≥10
策略质量	任务成功率（L3 反馈）	≥80%	≥88%	≥93%
效率	单任务平均 Token	基线	环比降≥10%	环比降≥20%
效率	P95 端到端时延	≤10 分钟	≤8 分钟	≤6 分钟

这组指标构成一个自我强化的正反馈：命中率上升→修正率下降→专家更愿意采纳→更多高质量反馈入图→命中率进一步上升；同时成功率上升→Token 与时延下降→单位成本下降→可承载更多任务→更多轨迹喂养策略飞轮。方案的全部工程设计，都是为了让这个正反馈在真实生产流量中持续转动而非停留在演示。

第三章 总体架构：六层解耦

3.1 架构总览

本方案在白皮书六层架构基础上，结合八仓库的实际形态做平台级落地。六层自下而上为：采集层（Collect）、沉淀层（Persist）、治理层（Govern）、推理层（Reason）、评估层（Evaluate）、进化层（Evolve）。采集层与进化层分别对应两个飞轮的入口与出口，沉淀层与治理层是共享底座，推理层是价值兑现点，评估层是质量闸门。六层之间以契约（FlywheelEvent、GraphPatch、EvalResult、Strategy）解耦，任何一层可独立演进而不破坏其余层。

3.2 各层职责与仓库映射

表 3-1 给出六层的职责、核心组件与落地仓库。设计原则是「联邦而非重建」：已有引擎（workdsh RSI、Step1-4 门禁、deep-analysis 黑板、FTO 七阶段）作为采集层的信号源与进化层的执行体被保留，平台只新增沉淀/治理/推理/评估四个共享平面。
表 3-1 六层架构职责与仓库映射

层	职责	核心组件	落地形态
采集层 Collect	把八仓库的轨迹/门禁/审阅/改判/评分统一为 FlywheelEvent	lawsight_flywheel SDK、事件信标、Redis Stream 适配器	零依赖 SDK 复制到各仓库 backend/，复用现有 beacon 与 wf:llm_tokens 通道
沉淀层 Persist	事件落库、知识入图、向量索引、对象归档	FlywheelEventStore（MySQL）、KG（Neo4j/NebulaGraph）、Qdrant、MinIO	新增飞轮平面服务，复用 lawsight_storage SDK
治理层 Govern	置信度累积、冲突裁决、GraphPatch 事务、写入保护、租户隔离	ConfidenceEngine、ConflictArbiter、PatchValidator	飞轮平面核心模块，继承安全平面 RBAC/审计链
推理层 Reason	GraphRAG 图遍历+向量辅助混合检索，确定性上下文注入	GraphRetriever、VectorAssist、ContextBuilder	飞轮平面检索服务，经 MCP/REST 供八仓库调用
评估层 Evaluate	四组指标、黄金集回归、发布门禁、在线信号相关性校验	EvalRunner、GoldenSet、GateKeeper	飞轮平面评估服务，CI 作业化
进化层 Evolve	RSI 策略优化、A/B、沙盒、热配置、监控熔断	workdsh RSI 联邦、StrategyRegistry、Sandbox	复用并扩展 workdsh app/rsi，能力节点回写 KG

3.3 端到端数据流

一次完整的飞轮转动经历如下数据流（以 Step1-4 侵权分析中律师改判一行映射为例）：

1. 产生：律师在 CP-10 逐行审阅把某要素判定从 not_covered 改写为 equivalent，Step1-4 的 annotate() 记录 edit_lineage 与律师改写文本，emit() 写入哈希链事件。
2. 采集：lawsight_flywheel SDK 钩子捕获该 human_action，映射为 FlywheelEvent(type=MODIFY_MAPPING, payload 含要素/原判定/新判定/引文/案件指纹)，经 Redis Stream（实时）与信标（兜底）双通道上报。
3. 沉淀：飞轮平面消费事件，落 FlywheelEventStore；抽取器把改判结构化为 GraphPatch（新增 READS_ON 边、置信度 L2=0.80、source=expert_correction）。
4. 治理：ConfidenceEngine 检查是否与既有结论冲突；若冲突走 ConflictArbiter（版本优先/专家仲裁）；PatchValidator 校验来源与租户；事务写入 KG。
5. 推理：下次同类案件，GraphRetriever 以争点/要素为锚遍历图，召回这条 L2+ 的 READS_ON 边作为 few-shot 示例注入映射器 Prompt。
6. 评估：EvalRunner 在黄金集上度量命中率是否上升、修正率是否下降；GateKeeper 决定是否放行新版本。
7. 进化：若该改判模式高频出现，ErrorPattern 节点触发 RSI 评估器，提示词优化器生成改进策略，沙盒+A/B 验证后热配置生效。

3.4 部署拓扑与端口规划

飞轮平面作为第九个服务加入现有运营中心，建议端口 8400（后端）/6174（控制台），与中央安全平面（8200/6173）协同。基础设施复用 deploy/infra/docker-compose.yml 现有栈：MySQL 8.4（新增 lawsight_flywheel 库）、MinIO（19000/19001）、Qdrant（6333/6334）、Redis（6379）；新增 Neo4j 5.x（7474/7687，生产可替换 NebulaGraph）承载知识图谱。新增 MySQL 库 lawsight_flywheel 存储事件、GraphPatch 审计、评估结果、策略注册表；KG 与 Qdrant 承载图与向量。所有数据绑定挂载本机 deploy/infra/data/，可备份迁移。飞轮平面拉起的子进程经运营中心透传存储与安全环境变量，与现有八仓库一致。

第四章 统一事件总线与信号采集

4.1 设计目标与 FlywheelEvent 契约

飞轮的燃料是反馈信号，而平台现状是「信号形态各异且多数未采集」（缺口 G1）：workdsh 有记忆与 RSI 轨迹、Step1-4 有哈希链事件与 edit_lineage、deep-analysis 有 Finding.verified 与 AgentStep、FTO 有 override_risk 与关卡裁决，但它们互不相通。本章定义唯一的跨仓库契约 FlywheelEvent，把异构信号归一化为可被沉淀层直接消费的结构。契约以 JSON 表达，字段如表 4-1。
表 4-1 FlywheelEvent 统一契约字段

字段	类型	说明
event_id	string	全局唯一（UUIDv7，含时间戳），幂等去重键
event_type	enum	事件类型（见表 4-2），决定抽取器路由
repo	string	来源仓库键（step14/deep/workdsh/fto/legal/design/cias/plane）
tenant_id	string	租户隔离键，继承安全平面 JWT 主体
user_id	string	真实用户归属（V3 策略：令牌主体或显式 X-User-Id，禁占位）
matter_id	string	任务/事务/案件 ID，跨仓库关联键
business_line	enum	七业务线之一（inv_infr/inv_noninfr/design_infr/design_noninfr/copyright_infr/copyright_fee/fto）
stage	string	产生阶段（如 s4_mapping/CP-10/gate_legal）
agent	string	产生智能体（如 element_mapper/ClaimAnalyzer）
payload	object	类型相关载荷（要素/原判定/新判定/引文/指纹等）
provenance	object	来源证据：原文 span/哈希/深链接/模型版本
confidence_hint	float	信号初始置信度提示（表 4-2），最终由治理层裁定
occurred_at	int	事件发生时间（毫秒 epoch）
trace_id	string	关联可观测性 Trace（复用 Step1-4 observability 契约）
schema_version	string	契约版本，支持向后兼容演进

4.2 事件类型与置信度提示

事件类型分为反馈类（直接入图）与轨迹类（供评估与策略优化）两大族。反馈类的置信度提示继承白皮书定义：专家显式修正/否决权重最高，采纳次之，评分不入图。表 4-2 给出类型、语义与初始置信度。
表 4-2 事件类型分类与置信度提示

类型	族	语义	置信度提示	目标置信级
MODIFY_MAPPING	反馈	专家改判要素映射/结论	0.80	L2
REJECT_OUTPUT	反馈	否决证据/结论单元/输出	0.80	L2
ADOPT_OUTPUT	反馈	采纳输出/签发/保留类案	0.70	L2
ANNOTATE	反馈	批注/改写文本/解释立场裁定	0.75	L2
CONSTRUED_TERM	反馈	术语构造裁定（CP-07）	0.80	L2
RATE_OUTPUT	反馈	记忆评分（L1 显式）	—	不入图，供评估
TRAJECTORY	轨迹	任务全量轨迹/工具链/usage	—	供 RSI 评估
GATE_RESOLVED	轨迹	门禁裁决（C1—C4/CP/关卡）	—	供评估与审计
VERIFICATION	轨迹	引用校验结果（pass/warn/fail）	—	供质量门禁
ERROR_PATTERN	轨迹	失败/降级/重试模式	—	触发策略优化

4.3 八仓库信号映射

表 4-3 给出每个仓库现有代码信号到 FlywheelEvent 的精确映射。这是采集层 SDK 的接线蓝图：每一行对应一个现有函数/表/端点的钩子点，无需修改业务逻辑，只在既有出口处旁路采集。
表 4-3 八仓库现有信号 → FlywheelEvent 映射

仓库	现有信号源（代码位置）	映射事件类型	采集钩子
Step1-4（8300）	annotate() edit_lineage（step4.py:453）、do_signoff 双指纹（step4.py:562）、veto、CP-07 裁定、emit 哈希链（store.py:166）	MODIFY_MAPPING/ADOPT_OUTPUT/REJECT_OUTPUT/CONSTRUED_TERM/GATE_RESOLVED	store.emit 旁路 + step4 反馈后置钩子
deep-analysis（8001）	Finding.verified/score（models.py）、AgentStep.duration_ms、awaiting_review、steer 四动作（routers/runs.py:124）	VERIFICATION/TRAJECTORY/MODIFY_MAPPING	orchestrator 落 Finding 处 + EventBus 持久化适配器
workdsh（8002）	RSI collector task.end（collector.py:205）、L1 feedback、L4 judge、rsi_knowledge	TRAJECTORY/RATE_OUTPUT/ERROR_PATTERN	harness task.end 钩子（已有）+ 知识消费桥接
FTO（8005）	override_risk（dialog.py:370）、resolve_gate（workflow.py:120）、request_report_edit（dialog.py:398）、update_feature（dialog.py:206）；26 工具	MODIFY_MAPPING/ADOPT_OUTPUT/REJECT_OUTPUT/ANNOTATE/GATE_RESOLVED	resolve_gate 与工具后置钩子（补 before/after 差分）
legal-cases（8111）	引用校验器（agents/verifier.py:108）、collect（routes.py:256）、events/checkpoints、token_metrics	VERIFICATION/TRAJECTORY	校验器出口 + events 旁路；采纳/修正端点需新建
design-patent（8123）	review（routes.py:221）、select_scheme（routes.py:237）、image_search_flag（routes.py:398）、t_score/t_feature_matrix	MODIFY_MAPPING/ADOPT_OUTPUT/VERIFICATION	review/select 后置钩子；特征矩阵/评分行级改判端点需新建
cias（8000）	pin_element（main.py:530，pin_backup 差分）、add_evidence（main.py:483）、cias_audit 哈希链（store.py:150）、chat_intent	MODIFY_MAPPING/ADOPT_OUTPUT/VERIFICATION	审计链 append 旁路 + pin/unpin 钩子
security-plane（8200）	security_events、audit_chain（audit_chain.py:35）、evidence 固化（:110）、LLM 网关流水	VERIFICATION/ERROR_PATTERN	审计链写入旁路（供治理层）

4.4 采集 SDK 设计（lawsight_flywheel）

采集 SDK 延续 lawsight_security/lawsight_storage 的「纯标准库、零新依赖、复制到各仓库 backend/」工程约定，确保不引入任何运行时负担。SDK 由四个模块构成：

• contract.py：FlywheelEvent 数据类与校验（类型/必填字段/租户/user-id 清洗），schema_version 协商。
• emitter.py：双通道发射器——优先 Redis Stream XADD（复用 wf:llm_tokens 同栈，新增流 wf:flywheel_events），失败静默降级本地 jsonl 信标（复用现有 beacon 机制，后台回传飞轮平面 /api/security/beacon/events）。
• hooks.py：与各仓库框架的适配器——FastAPI 中间件（捕获请求级 user-id 写入 contextvar）、harness task.end 钩子（workdsh）、store.emit 旁路（Step1-4）、SQLAlchemy 事件监听（deep-analysis）。
• mapping.py：表 4-3 的信号映射规则，把仓库原生载荷翻译为统一 payload，保留 provenance（原文 span/哈希/深链接）。
  SDK 的接入是「旁路」而非「侵入」：所有钩子均为后置/旁路，采集失败绝不影响业务主流程（与现有 beacon 的容错语义一致）。发射器内置幂等链（event_id）与有界重试，避免重复入图。

4.5 传输可靠性与顺序语义

双通道设计兼顾实时性与可靠性：Redis Stream 提供毫秒级实时消费（飞轮平面 XREADGROUP 消费组、ACK 确认），信标 jsonl 提供断网/宕机兜底（重启后扫描未回传文件补传）。沉淀层以 event_id 幂等去重（MySQL 唯一键），保证「至少一次」传输收敛为「恰好一次」入图。顺序语义上，同一 matter_id 的事件以 occurred_at + 仓库内 seq（Step1-4 哈希链已有 seq）排序；跨仓库不保证全局顺序，但治理层的冲突裁决以置信度与版本而非到达顺序裁定（第六章），因此乱序不影响最终一致性。

4.6 user-id 归属与租户隔离

采集层严格继承 INTEGRATION.md §9 的 V3 归属策略：user_id 必须是真实用户经接口传来（JWT 主体权威，与 X-User-Id 不一致即 403），内部调用取当前请求用户，两者皆缺即拒绝收集（不默认用户）。tenant_id 从 JWT 主体解析，贯穿事件→GraphPatch→KG 节点→检索过滤全链路，保证租户 A 的专家经验绝不泄漏给租户 B。这与安全平面的权限感知检索（P1 遗留项）在飞轮层一并落地：KG 查询强制携带 tenant_id 过滤，Qdrant 检索以 payload filter 隔离。

第五章 统一知识图谱 Schema

5.1 设计原则

知识图谱是知识飞轮的沉淀载体，其 Schema 设计遵循四条原则：（1）结论可溯源——每条边携来源证据与置信度，拒绝无根据的断言；（2）领域与能力同图——法律事实与智能体策略共享一张图、一套治理，使双飞轮啮合有物理载体；（3）多业务线复用——七业务线共用核心本体，避免知识孤岛；（4）可演进——节点/关系类型可增量扩展，公共元属性保证向后兼容。Schema 在白皮书 15 类领域节点、13 类结论关系基础上，扩展 7 类能力节点与若干能力关系。

5.2 领域节点（15 类）

表 5-1 列出领域节点类型、语义与主要业务线。这些节点承载「事实与结论」，是 GraphRAG 召回的主体。
表 5-1 领域节点类型

节点类型	语义	关键属性	主要业务线
Patent	专利（目标专利/对比文献）	pn/apd/法域/法律状态/类型	发明/FTO
Claim	权利要求	claim_no/独立或从属/文本	发明/FTO
ClaimElement	最小技术要素（MRE）	element_id/限定词/必要性	发明/FTO
TermConstruction	术语构造（BRI/词典规则）	term/窄宽口径/依据原文	发明/FTO
PriorArt	现有技术文献	pn/公开日/来源	无效/FTO
PriorArtFeature	现有技术特征	feature/原文 span	无效/FTO
Product	被控侵权产品/技术方案	name/技术描述	侵权/FTO
ProductFeature	产品技术特征	feature/来源	侵权/FTO
DesignFeature	外观设计要点	形状/图案/色彩/组件	外观
ImageWork	图片作品	work_id/权利人/登记	版权
VisualElement	视觉要素	区域/bbox/描述	外观/版权
LicenseRate	许可费率	rate/基准/行业	版权费用
Case	案件/事务	case_id/案由/争点	全部
Precedent	先例/类案	案号/裁判要旨/相关度	类案/全部
RiskLevel	风险等级	High/Medium/Low/三维评级	FTO/侵权

5.3 结论关系（13 类）

表 5-2 列出结论关系。关系是知识的「谓语」，携带置信度与来源，是飞轮沉淀的主要对象——专家改判一行映射，本质就是新增/修改一条 READS_ON 或 NOT_READS_ON 边。
表 5-2 结论关系类型

关系	起点→终点	语义	典型来源
MAPS_TO	ProductFeature→ClaimElement	产品特征映射到要素	element_mapper/律师改判
READS_ON	PriorArtFeature→ClaimElement	现有技术覆盖要素（侵权/无效）	映射器/专家修正
NOT_READS_ON	PriorArtFeature→ClaimElement	未覆盖（区别特征）	映射器/专家修正
DIFFERS_FROM	DesignFeature→DesignFeature	外观要素差异	视觉比对
CONSTRUED_AS	ClaimElement→TermConstruction	要素按某口径解释	CP-07 裁定
INVALIDATES	PriorArt→Claim	文献无效权利要求	invalidity_reasoner
DEPENDS_ON	Claim→Claim	从属依赖	claim_parser
VISUALLY_SIMILAR_TO	VisualElement→VisualElement	视觉近似	glm-4.5v 比对
HAS_ELEMENT	Claim→ClaimElement	权项含要素	拆解
LICENSED_AT	ImageWork→LicenseRate	许可费率	费用争议分析
DAMAGED_AS	Case→RiskLevel	损害/风险认定	风险评估
RESOLVED_TO	Case→Precedent	案件参照先例	类案检索/律师采纳
VERIFIED_BY	任意结论→Evidence	结论经证据校验	CitationVerifier

5.4 能力节点扩展（7 类）

为支撑策略飞轮与双飞轮啮合，本方案扩展 7 类能力节点（表 5-3）。它们把 workdsh RSI 原本散落在 13 张 rsi_* 关系表中的策略资产，提升为可图遍历、可跨仓库复用、可置信度治理的一等公民。这是本方案相对白皮书与单仓库 RSI 的关键增量。
表 5-3 能力节点类型（本方案扩展）

节点类型	语义	关键属性	来源
Agent	智能体角色	agent_id/repo/职责/模型	八仓库注册
PromptVersion	提示词版本	hash/模板/变量/胜率	RSI 提示优化器
Strategy	优化策略	type/payload/状态/ROI	RSI 七优化器
EvalRun	评估运行	指标/测试集版本/门禁结果	评估层
TestCase	黄金/对抗测试题	输入/期望/相关度分级	黄金集构建
ErrorPattern	错误模式	pattern/频次/触发优化器	轨迹挖掘
SearchRecipe	检索配方	查询模板/源/命中率	QueryPlanner/检索审计

能力关系包括：Agent USES_PROMPT PromptVersion、Strategy OPTIMIZES Agent、EvalRun VALIDATES Strategy、TestCase BELONGS_TO EvalRun、ErrorPattern TRIGGERS Strategy、SearchRecipe USED_BY Agent、Strategy PRODUCES PromptVersion。这些关系使「某错误模式触发了某策略、某策略产生了某提示词版本、某提示词在哪些评估中胜出」成为可查询的因果链，为元学习调度与可解释进化提供依据。

5.5 公共元属性

所有节点与关系携带统一的公共元属性（表 5-4），这是置信度治理、版本链与租户隔离的基础。元属性继承白皮书定义，补充 tenant_id 与 business_line 以支撑平台级隔离与复用。
表 5-4 公共元属性

属性	说明
uid	全局唯一标识（确定性 uuid5，字符串 id 映射）
tenant_id	租户隔离键，查询强制过滤
confidence	置信度数值 [0,1]，对数累积饱和
conf_level	置信级 L0—L4（决定能否进入结论上下文）
source	来源类型（expert_correction/multi_case/model_extract/import）
reason	结论理由（可解释）
verified_by / verified_at	校验者与时间
effective_from / effective_to	时效区间（法条修订/新旧法衔接）
version / superseded_by	版本号与被取代链（软删除）
business_line	产生业务线（跨线复用标记）
provenance	原文 span/哈希/深链接/模型版本

5.6 业务线本体复用

七业务线共享核心本体（Case/Precedent/ClaimElement/VERIFIED_BY），仅在领域节点上分化：发明与 FTO 复用 Patent/Claim/PriorArt 子图；外观复用 DesignFeature/VisualElement/VISUALLY_SIMILAR_TO；版权复用 ImageWork/LicenseRate。这种「核心共享 + 领域分化」使跨线知识迁移成为可能：例如「等同原则」的术语构造（TermConstruction）一旦在发明侵权线被专家验证为 L3，可被 FTO 线的映射器直接召回；类案检索线沉淀的 Precedent 可被任何线的风险评估引用。本体复用是平台级飞轮复利的结构基础。

第六章 置信度模型与知识治理

6.1 置信级 L0—L4

置信度是知识飞轮的「质量闸门」：它决定一条知识能否进入结论性上下文，从而保证「越用越好」不以「越用越乱」为代价。表 6-1 定义五级置信度，继承白皮书并明确各级的上下文准入权限。
表 6-1 置信级定义与上下文准入

级别	数值	含义	上下文准入
L0	0.30	草稿/模型抽取未验证	仅候选池，不进结论上下文
L1	0.50	单源验证	可作背景提示，须标注不确定
L2	0.80	专家验证（修正/采纳）	可作 few-shot 示例
L3	0.95	多源/多案件交叉验证	可作已知事实注入
L4	1.00	先例锚定（生效裁判/审查决定）	可作约束规则，最高优先

6.2 对数累积与饱和

同一结论被多个独立证据反复验证时，置信度按「噪声或（noisy-OR）」模型累积并自然饱和于 1，避免线性叠加溢出。设已有置信度 c，新到独立证据权重 w（由来源类型与置信度提示决定），则更新为：
$$c' = 1 - (1 - c)(1 - w)$$
多次独立验证后，置信度等价于 c = 1 − ∏ᵢ (1 − wᵢ)，随证据数增加单调趋近 1 但永不越过。专家修正权重 w=0.80、采纳 w=0.70、多案件交叉验证每次 w=0.50、先例锚定直接置 c=1.00。独立性判定是关键：同一案件同一专家的重复操作不重复计权（以 matter_id+user_id+结论指纹去重），只有跨案件/跨专家的验证才累积，防止「刷置信度」。当 c 跨越阈值时 conf_level 自动升级，并触发下游重算（第八章的水位线增量重映射）。

6.3 冲突检测与裁决

知识入图前必须过冲突检测：同一主语对同一谓语存在相反结论（如 READS_ON 与 NOT_READS_ON 并存）即为冲突。ConflictArbiter 按优先级裁决（表 6-2），裁决结果与理由写入 reason 与审计链，败方不被物理删除而是软删除并挂 superseded_by 链，保留可追溯性。
表 6-2 冲突裁决优先级

优先级	规则	说明
1	时效优先（R-VER-01）	新法/新版本优于旧法，effective_from 晚者胜
2	先例锚定优先	L4 生效裁判优于任何模型抽取
3	置信度优先	高级别优于低级别
4	专家仲裁	同级冲突挂起，推送资深律师裁定
5	多源胜单源	独立验证数多者胜

6.4 GraphPatch 原子操作与版本链

所有知识变更以 GraphPatch 表达——一组原子的 add/delete/modify 操作，要么全部生效要么全部回滚。GraphPatch 结构：{patch_id, tenant_id, source_event_id, ops:[{op, node/edge, before, after}], confidence_delta, reason, author}。delete 一律为软删除（置 effective_to + superseded_by），modify 生成新版本节点并以版本链相连。写入以 Neo4j 事务执行（生产可换 NebulaGraph 以会话事务），保证图一致性。每个 GraphPatch 落 MySQL 审计表（lawsight_flywheel.graph_patches），与事件、安全审计链三方关联，实现「任何历史图状态可复现」。

6.5 写入保护与校验

PatchValidator 在写入前执行四道检查：（1）来源校验——结论性边必须携带 provenance（原文 span/哈希），无来源拒绝；（2）租户校验——patch.tenant_id 与事件一致，跨租户拒绝；（3）权限校验——L3+ 升级需专家角色（继承安全平面 RBAC），模型抽取只能到 L1；（4）引用校验——复用各仓库 CitationVerifier（包含→pass、difflib≥0.97→warn、fail 降级），未过校验的结论不得升 L2。这四道检查把白皮书「进入结论上下文的知识必须携来源与置信度」的不变量落实为代码闸门。

6.6 时效与知识衰减

法律知识有保质期：法条修订使旧结论失效，审查指南更新使旧构造过时。effective_from/effective_to 区间使 GraphRAG 能按案件临界日过滤时效冲突（新旧法衔接期案件）。此外引入轻量衰减：长期未被验证且未被引用的 L1 知识，其 confidence 随时间缓慢下调（半衰期可配），避免陈旧猜测长期占据候选池。但 L3+ 专家/先例知识不衰减（除非被显式取代）。衰减与遗忘策略与 workdsh RSI 的四层记忆遗忘（30 日且 importance<0.4）协同，保持图与记忆的健康代谢。

第七章 飞轮核心引擎（五阶段）

7.1 引擎总览

飞轮核心引擎是沉淀层与治理层的执行体，把 FlywheelEvent 流转化为高质量图资产。引擎由五个阶段组成流水线：采集归一（Collect）→ 知识抽取（Extract）→ 校验（Validate）→ 合并入图（Merge）→ 服务触发（Serve）。每个阶段幂等、可独立重放，以 event_id 与 patch_id 为幂等键；阶段间以 MySQL 任务表衔接，支持断点续跑（与八仓库的检查点语义一致）。引擎以 asyncio 协程运行，消费 Redis Stream 消费组，水平扩展时以消费组天然分片。

7.2 阶段一：采集归一（Collect）

消费 wf:flywheel_events 流（XREADGROUP），以 event_id 幂等落 FlywheelEventStore（MySQL lawsight_flywheel.events），按 event_type 路由到反馈管线或轨迹管线。反馈类（MODIFY_MAPPING/REJECT_OUTPUT/ADOPT_OUTPUT/ANNOTATE/CONSTRUED_TERM）进入抽取；轨迹类（TRAJECTORY/GATE_RESOLVED/VERIFICATION/ERROR_PATTERN）分流到评估层与 RSI。信标兜底文件定期扫描补传，与流消费共用同一幂等入口。此阶段还做 user-id/tenant 复核（V3 策略），占位归属拒绝入图并告警。

7.3 阶段二：知识抽取（Extract）

抽取器把反馈载荷结构化为 GraphPatch 候选。这里 LLM 仅作为信息抽取器（而非知识来源）：对于结构化信号（如 Step1-4 的 edit_lineage 已含要素/原判定/新判定/引文），直接规则映射，零 LLM 成本；对于非结构化信号（如律师自由批注、FTO request_report_edit 文本），调用 glm-5.3-flashx 以受约束 JSON 模式抽取「主语-谓语-宾语-理由-引文」五元组。抽取提示词强制要求：只从给定原文抽取、不得编造案号法条、每个结论附原文 span。抽取结果初始置信级为 L0（模型抽取未验证），等待校验阶段升级。这种「规则优先、LLM 兜底」与平台一贯的「规则×LLM 双层兜底」设计一致。

7.4 阶段三：校验（Validate）

对抽取的 GraphPatch 候选执行第六章的四道写入保护（来源/租户/权限/引用）。引用校验复用各仓库 CitationVerifier 的三重校验（偏移+哈希+包含性，Step1-4 verify.py:102、deep-analysis element_mapper.py:72）：包含→pass、difflib≥0.97→warn、fail 且原判定为肯定→降级。校验通过的专家反馈升 L2，多案件交叉验证升 L3，先例锚定升 L4；未过校验的候选拒入 L0 候选池或拒绝。校验结果以 VERIFICATION 事件回流评估层，成为引用校验通过率指标的数据源。

7.5 阶段四：合并入图（Merge）

ConfidenceEngine 计算置信度累积（§6.2），ConflictArbiter 检测并裁决冲突（§6.3），生成最终 GraphPatch，以 Neo4j 事务写入。写入同时：（1）更新 Qdrant 向量索引（节点文本嵌入，BGE-M3）；（2）落 graph_patches 审计表；（3）发出 knowledge_merged 内部事件。合并是幂等的：同一 source_event_id 重复消费不会重复计权（以结论指纹去重）。跨业务线复用在此阶段标记 business_line，使一条知识可被多线召回。

7.6 阶段五：服务触发（Serve）

知识入图后，Serve 阶段触发下游增量重算：（1）通知 GraphRAG 引擎失效相关缓存（以受影响节点/争点为键）；（2）对于活跃状态的相关事务，触发水位线增量重映射（§7.7）；（3）若高频错误模式被沉淀为 ErrorPattern 节点，通知 RSI 评估器识别改进机会。Serve 阶段使「知识入图」与「能力生效」之间的延迟最小化，是飞轮转速的关键。

7.7 水位线增量重映射

为避免每次知识更新都全量重跑任务，引擎采用水位线（watermark）增量机制：每个活跃事务记录其上次消费的知识版本水位；当新 GraphPatch 涉及的节点/争点与事务相关且版本高于水位时，仅对受影响的要素/结论单元触发重映射，而非全量重算。这与 Step1-4 的 ALR stale 重算、deep-analysis 的黑板检查点恢复语义一致：只重算受影响部分，已完成且未受影响的工作不重放。增量重映射的结果再次产生反馈，形成飞轮的微观闭环。

第八章 GraphRAG 检索推理引擎

8.1 范式：图遍历优先、向量辅助

GraphRAG 是知识飞轮的价值兑现点——沉淀的知识只有被下次任务召回，才真正转化为能力。本方案采用「图遍历优先 + 向量辅助」的混合检索，而非纯向量 RAG。原因在于法律推理的本质是关系推理：「该要素被哪篇文献覆盖」「该术语按何种口径解释」「该案参照哪个先例」都是图上的多跳查询，纯向量相似度无法表达。图遍历保证关系精确与可溯源，向量辅助补全语义模糊匹配（同义改写、跨语言），两者以 RRF 融合。这与 legal-cases 设计文档的四路混合召回（BM25/dense/法条锚/图扩展，RRF k=60）一脉相承。

8.2 五阶段检索流水线

GraphRAG 引擎由五阶段组成（表 8-1），输入为任务上下文（争点/要素/产品特征/临界日），输出为结构化证据包。
表 8-1 GraphRAG 五阶段流水线

阶段	职责	关键操作
1 锚定 Anchor	从任务上下文提取图锚点	要素/争点/术语→节点 uid，tenant 过滤
2 遍历 Traverse	多跳图遍历召回结论	Cypher 模式匹配，按 conf_level≥L2 与时效过滤
3 向量辅助 Vector	语义模糊匹配补全	Qdrant 嵌入检索（BGE-M3），payload 过滤
4 重排 Rerank	融合与相关性重排	RRF 融合 + bge-reranker-v2-m3 争点级重排
5 装配 Assemble	构造确定性上下文	三段式注入 + 来源回链 + 防压平

8.3 三段式上下文注入

装配阶段把召回知识组织为三个确定性上下文段，注入智能体 Prompt（表 8-2）。分段的意义在于让模型明确区分「确定的事实」「可参考的示例」「必须遵守的约束」，避免把低置信猜测当作确定结论。
表 8-2 三段式上下文

段	内容	置信门槛	作用
已知事实 Known Facts	多源验证的结论与先例	L3+	作为推理前提，最高优先
示例 Few-shot	专家验证的历史映射/改判	L2	引导模型对齐专家偏好
约束规则 Constraints	先例锚定的法条/裁判规则	L4	硬约束，不得违反

8.4 确定性注入与防压平

上下文注入是确定性的：给定相同任务上下文与图版本，召回结果可复现（以图版本哈希 + 检索参数为缓存键）。这使得评估可复现、问题可回放。注入时保留每条知识的 provenance（原文 span/深链接/哈希），供智能体生成时逐字引用、供校验器三重校验。防压平（anti-flattening）继承 Step1-4 verify.py 的设计：多引用、嵌套限定、过渡词不被压平为单一扁平表述，保证权利要求拆解的层次结构在注入后仍完整。上下文预算受 workdsh RSI 的 compact_char_limit 热配置控制，超时时优先压缩低置信段而非 L3+ 事实。

8.5 与各仓库的集成接口

GraphRAG 引擎以两种形态供八仓库调用：（1）MCP 工具——注册为 mcp__lawsight-flywheel__graph_retrieve，经 workdsh 已有的 MCP 桥接与 mcpguard 白名单接入对话引擎，智能体可自主调用；（2）REST 端点——POST /api/graphrag/retrieve，供各仓库流水线在映射/检索阶段同步调用。两种形态均强制携带 tenant_id 与 user_id（V3 归属），返回结构化证据包（结论+来源+置信级+深链接）。对于已接智慧芽的仓库（Step1-4/deep-analysis/FTO/design），GraphRAG 作为「第五路召回」与现有四源并行，不替换原有检索。

8.6 性能与缓存

图遍历以锚点邻域为限（默认 3 跳、结果上限可配），避免全图扫描；热点争点的检索结果以图版本哈希缓存（Redis，TTL 可配），知识入图时由 Serve 阶段精准失效。向量检索以 Qdrant payload filter 做租户/业务线/置信级过滤，减少候选集。重排模型 bge-reranker-v2-m3 可私有化部署，争点级批量推理。端到端检索 P95 目标 ≤2 秒，不成为任务时延瓶颈（任务总时延大头在 LLM 推理）。

第九章 评估基准体系

9.1 评估体系总览

评估层是双飞轮的质量闸门，回答「每一次变更是否真的让系统变好」。体系由四组指标 + 四类测试集 + 一道发布门禁构成闭环，原型是 legal-cases 设计文档§9 的 Stitla 基准文化与 workdsh RSI 的评估器。核心纪律：任何知识入图、任何策略上线、任何模型/检索变更，都必须过回归门禁；核心指标劣化超阈值即阻断发布。评估结果本身作为 EvalRun 节点写入 KG，使「质量可溯源」。

9.2 四组指标

表 9-1 给出四组指标的定义、口径与目标。知识组度量知识飞轮转速，策略组度量策略飞轮效果，检索组与生成组度量端到端质量（继承 legal-cases §9.3/§9.4）。
表 9-1 四组评估指标

组	指标	口径	目标
知识	历史映射命中率	新任务要素被 L2+ 图知识命中的比例	≥30%→85%
知识	专家修正率	被律师改判的结论单元/全部单元	≤50%→15%
知识	L2+ 边占比	置信级≥L2 的边/全部边	≥40%
策略	任务成功率	L3 结果反馈成功/全部任务	≥88%
策略	L4 评审分	LLM 评审 1—5 分均值	≥4.0
策略	A/B 晋升胜率	challenger 胜出数/实验跟踪数	—
检索	Recall@50	争点级核心类案召回	≥0.75
检索	nDCG@10	相关度分级位置折扣增益	≥0.65
生成	引用准确率	逐字校验通过的引用陈述比例	100%（拦截）
生成	幻觉率	无中生有陈述/百万字	≤0.5
效率	P95 端到端时延	单任务全流程	≤10 分钟
效率	单任务成本	Token 与算力账本	环比升≤10%

9.3 四类测试集

（1）黄金问题集：由合作律所选取真实存量案件，保留案情/争点/期望类案集合三元组，相关度分级（核心参照/一般参照/背景），首批 300—500 题覆盖高频案由，每季度以线上采样扩充。（2）学术基准：LeCaRD（107 查询/43823 候选）与 LeCaRDv2（800 查询/55192 候选/50 罪名），用于横向对标与重排阈值标定，每季度全量回归。（3）线上采样集：从生产流量脱敏抽取，度量线上分布与黄金集偏移。（4）对抗集：法条修订时效冲突、长尾/跨案由检索、历史坏例——每一次线上失败转化为对抗样本，是评估体系自我强化的关键。全部测试集纳入版本管理，与索引版本、模型版本三方哈希绑定。

9.4 黄金修正集：飞轮自产的测试集

本方案相对白皮书的关键增量是黄金修正集（Golden Correction Set）：从飞轮采集的专家修正信号中自动构建回归测试。每一条 MODIFY_MAPPING/REJECT_OUTPUT 事件，经专家确认后转化为一道测试题：输入为原任务上下文，期望输出为专家修正后的结论。这使得测试集随飞轮转动自动增长，且始终对准「系统曾经犯错、专家已经纠正」的真实薄弱点。黄金修正集与人工黄金集互补：前者覆盖高频错误模式，后者覆盖系统性能力。RSI 的提示词优化器生成的 challenger，必须在黄金修正集上不低于 champion 才能晋升——把「专家经验」直接变成「策略进化的约束」。

9.5 发布门禁

表 9-2 给出发布门禁阈值（一期基线，继承 legal-cases §9.6 并扩展知识/策略组）。发布流程：离线回归全量跑→通过门禁→影子评估（旁路 5% 真实流量对比）→A/B 灰度放量→全量。
表 9-2 发布门禁阈值

指标	门禁规则	说明
引用准确率	≥100%（拦截机制）	未过校验不得交付，重生成成功率≥95%
Recall@50（黄金集）	环比劣化≤1%	超限阻断，须归因
nDCG@10（LeCaRDv2）	环比劣化≤1%	学术基准防漂移
黄金修正集通过率	不低于 champion	策略晋升硬约束
幻觉率（周抽检）	≤0.5 次/百万字	超标触发对抗集扩充
P95 端到端时延	≤10 分钟	单任务全流程
单任务成本	环比升≤10%	Token 与算力账本

9.6 在线信号与离线相关性校验

在线信号度量真实效用：类案点击率（前三位点击占比）、采纳率（律师保留的类案比例）、修正率、追问率、任务完成时长。这些指标按周聚合，与离线指标做相关性校验——若离线提升而在线持平或下降，说明测试集已偏离真实分布，触发黄金集更新。这防止两个飞轮「刷离线分」而真实效用停滞。在线信号经采集层 RATE_OUTPUT/ADOPT_OUTPUT 事件回流，与离线 EvalRun 关联分析。

9.7 标注规范与实施路线

标注规范三条经验前置（继承 legal-cases §9.7）：期望类案以律师实际援引为准而非穷举；评分以分级标签而非二元集合；争点表述允许同义改写，评估先做争点对齐再按争点评分。测试集扩充保持新旧题目比例与难度分布稳定，避免口径漂移。标注由律师协作者背对背双人完成，不一致项资深律师仲裁，一致性以 Cohen Kappa 度量，低于 0.6 回炉重标。实施路线：1—2 周搭工具链覆盖检索层（不依赖人工、反馈快）；3—4 周完成首批标注；一个月上线人工抽检与在线埋点；季度沉淀对抗集与公开基准报告。

第十章 RSI 联邦与策略优化闭环

10.1 联邦而非重建

策略飞轮不新建引擎，而是联邦并扩展 workdsh 已落地的 RSI 子系统（app/rsi/，16 个模块、13 张 rsi_* 表）。workdsh RSI 已验证了「Perform→Evaluate→Modify→Redeploy」闭环、七类优化器、元学习调度、A/B 分流、子进程沙盒、自主级别与监控熔断。本方案保留这套引擎作为策略飞轮的执行体，只做三点平台级扩展：（1）把采集面从 workdsh 单仓库扩到八仓库（经第四章统一事件总线）；（2）把策略资产从 rsi_* 关系表提升为 KG 能力节点（第五章），实现跨仓库复用与置信度治理；（3）把评估约束从硬编码阈值升级为黄金修正集门禁（§9.4）。

10.2 四阶段闭环

Perform 采集：经 harness task.end 钩子（collector.py:205）零侵入采集每个任务的 trace/工具调用/精确 usage，自动收集 L2 隐式（延迟/工具成功率）、L3 结果（成败）反馈；记忆为 L1 显式；高分任务异步 L4 评审（1—5 分，≥4.5 入长期记忆 importance 0.8）。
Evaluate 评估：evaluator 以真实 usage 统计成功率/延迟/评审分/token，规则阈值（成功率<0.85、延迟>20s、评审<4.0、token>6000、L1<0.6）+ LLM 综合分析识别改进机会；平台扩展后，KG 的 ErrorPattern 节点成为额外的机会来源。
Modify 改进：元学习调度优化器生成策略，经安全黑名单→沙盒回归→按（收益×沙盒×置信度）/成本选最优。
Redeploy 重部署：默认 L2 人工批准（挂起期间不写任何运行时配置），批准后写 rsi_config 热配置对下次对话立即生效；提示类策略进 A/B 分流；监控 30s 巡检，错误率超阈自动回滚最近策略并熔断进化。

10.3 七优化器与元学习调度

表 10-1 列出七类优化器及其作用对象。元学习按历史胜率调度，可信度 = (wins+1)/(total+2)×平均收益，使高胜率优化器获得更多预算，形成策略层的「飞轮」。
表 10-1 七类优化器

优化器	作用对象	方法
提示词优化	base_system_prompt	遗传变异 + A/B
上下文工程 MCE	history_turns/skill_body_limit/library_*/compact_char_limit	元上下文搜索
工具策略	http_enabled/http_timeout_*/tool_timeout_s	成功率聚合调参
记忆优化	四层记忆遗忘/迁移	importance 阈值调优
工作流参数	max_rounds/judge_enabled/evolution_interval_tasks	ε-greedy 探索（ε=0.3）
代码插件	评审融合管线 optimize(profile)	沙盒内限时执行
检索配方（新增）	SearchRecipe 节点	命中率反馈调优

10.4 平台级扩展：跨仓库策略联邦

单仓库 RSI 的进化只作用于全局配置，无法针对特定业务线/智能体。本方案把策略注册表（StrategyRegistry）提升为 KG 能力节点，使策略可绑定到 Agent/business_line：例如「element_mapper 在发明专利线的提示词」与「ClaimAnalyzer 在 FTO 线的提示词」是不同 PromptVersion 节点，各自独立 A/B 与晋升。workdsh 作为策略联邦的执行中枢，其他仓库经采集层上报轨迹、经 GraphRAG 拉取生效策略。这使「某仓库验证有效的策略」可被其他仓库复用，是平台级复利。

10.5 A/B 测试与晋升

A/B 分流以 sha1(task_id)%2 确定性哈希，champion 恒定不被覆盖（修复原版缺陷）。晋升条件：challenger 评审分 > champion + 0.05 且样本≥6/臂≥4（RSI_AB_TEST_MIN_SAMPLES）。平台扩展后增加硬约束：challenger 必须在黄金修正集上不低于 champion（§9.4），防止「评审分高但专家经验退步」。A/B 状态与结果作为 EvalRun 节点入图，供元学习与审计。

10.6 沙盒与安全收敛

代码插件与高风险策略经沙盒验证：AST 白名单（禁危险调用）+ 子进程隔离（python -I）+ 8 秒硬超时（死循环即杀）。安全黑名单（governance.py）拦截危险策略。这套机制使「自我进化」是受治理的持续实验而非失控的自我修改。沙盒试验结果（通过/失败/超时）入策略可信度计算。

10.7 自主级别与监控熔断

自主级别 L1—L4 运行时可调（默认 L2）：L1 仅建议、L2 人工批准、L3 自动应用低风险、L4 全自动。L1/L2 挂起策略不先写配置（修复原版缺陷）。monitor 30s 巡检，错误率 > RSI_ALERT_ERROR_RATE（0.3）自动回滚最近策略并熔断进化；回滚严格按快照还原（不误伤无关 A/B）。变更写审计，熔断恢复需人工确认。

10.8 热配置旋钮接线

表 10-2 给出策略旋钮的真实接线点（默认值=原硬编码），确保进化结果直接控制工作台行为而非停留在配置表。这是 workdsh 已验证的「真实接线」，平台级扩展后同样适用于各仓库的对应参数。
表 10-2 热配置旋钮与接线点

热配置键	接线点
base_system_prompt	llm.build_system_prompt 首段（A/B 分流）
context_policy.history_turns/skill_body_limit/library_*	会话历史/技能正文/资料注入条数与截断
context_policy.compact_char_limit	harness 上下文压缩预算
tool_policy.http_enabled/http_timeout_*	http_request 开关与超时
tool_policy.tool_timeout_s	harness 全部工具执行超时
workflow_policy.max_rounds/judge_enabled/evolution_interval_tasks	LLM 轮数上限/L4 评审开关/自动进化周期

---

第十一章 七业务线 × 八仓库集成设计

11.1 业务线与仓库映射

七条业务线复用八仓库引擎，每条线有独立的飞轮闭环但共享底座。表 11-1 给出业务线、主引擎仓库、核心沉淀节点与关键反馈信号。
表 11-1 七业务线集成映射

业务线	主引擎仓库	核心沉淀节点/关系	关键反馈信号（代码现状）
发明专利侵权	Step1-4、deep-analysis	MAPS_TO/READS_ON/CONSTRUED_AS	CP-10 改判、CP-07 术语裁定、veto（已实现）
发明专利非侵权	Step1-4、deep-analysis	NOT_READS_ON/DIFFERS_FROM	区别特征认定、律师改写（已实现）
外观设计侵权	design-patent、FTO(design)	VISUALLY_SIMILAR_TO/DesignFeature	review/select_scheme（已实现）；组件/评分行级改判待建
外观设计非侵权	design-patent、FTO(design)	DIFFERS_FROM/DesignFeature	差异组件认定、规避设计采纳（部分实现）
图片版权侵权	cias	ImageWork/VisualElement/VERIFIED_BY	pin_element/add_evidence（已实现，pin_backup 差分）
图片版权费用争议	cias（规划，未实现）	LICENSED_AT/DAMAGED_AS	费率/损害采集与计算需新建（E6 现排除判定）
FTO 自由实施	FTO、Step1-4	READS_ON/RiskLevel/INVALIDATES	override_risk/resolve_gate（已实现，需补改判前值）

11.2 发明专利侵权/非侵权线

主引擎为 Step1-4（四步全流程、九道门禁）与 deep-analysis（黑板状态机、CitationVerifier）。飞轮闭环：element_mapper 逐要素判定产生 TRAJECTORY；律师在 CP-10 把 not_covered 改判 equivalent 产生 MODIFY_MAPPING（L2）；CP-07 术语构造裁定产生 CONSTRUED_TERM；veto 否决证据产生 REJECT_OUTPUT。这些信号沉淀为 READS_ON/NOT_READS_ON/CONSTRUED_AS 边。下次同类案件，GraphRAG 以要素为锚召回这些 L2+ 边作为 few-shot 注入映射器，命中率上升。deep-analysis 的 Finding.verified/score 是天然评估单元，AgentStep.duration_ms 供效率指标；其 EventBus 仅内存的缺口由采集层持久化适配器补齐。Step1-4 的 mem0 项目记忆（wf_project_memory）与 KG 协同：mem0 存事务级文本摘要，KG 存结构化可推理结论，两者以 matter_key 关联。

11.3 外观设计侵权/非侵权线

主引擎为 design-patent（backend 位于 lawsight/backend/，九表 t_case/t_feature_matrix/t_score/t_avoid_scheme 等）与 FTO design 模式。需更正：design-patent 视觉/文本模型实为 glm-5.3-flashx（config.py:23），多模态经 glm.vision 调用面（glm.py:66），并非 glm-4.5v；比对管线为 CV+LLM 混合——视图配准 ORB+RANSAC（vision.py:75）、形状相似度 Hu0.35+IoU0.65（vision.py:128）、可选 CLIP 嵌入（vision.py:224）、特征矩阵 FeatureDiff（path_a.py:491）、综合评分权重 shape.40/novelty.30/pattern.20/color.10（path_a.py:627）。飞轮闭环：透视图比对产生 VISUALLY_SIMILAR_TO/DIFFERS_FROM 候选（L0）；人工复核 review（routes.py:221，写 state.reviews 含 reviewer/verdict/decision）、规避方案采纳 select_scheme（routes.py:237→add_design_version）、以图搜图逐标标记 image_search_flag（routes.py:398）升 L2。benchmark 8/8（方向一致率≥80% 达标，benchmark.py:60）提供确定性评估基线。缺口：特征矩阵行级改判、评分覆盖、整体视觉效果修正均无人工端点，WEIGHTS/_grade 阈值硬编码——飞轮需补这些改判入口并把权重纳入策略优化。视觉证据（叠图/热力图）现仅对象键+审计计数，未结构化沉淀，飞轮以 VisualElement 节点携 bbox/区域与 MinIO 对象 key 入图。另需修复 zhihuiya.py:172 附图下载裸 http.get 未过 guarded_fetch 的 SSRF 缺口。

11.4 图片版权侵权/费用争议线

主引擎为 cias（版权智审，backend 位于 cias/backend/，Plan-and-Execute A0—A13 智能体，engine.py:9）。侵权线飞轮：图像比对 img_sim_tool（main.py:827）→compare_images（image_pipeline.py:456）五级级联：L1 pHash 汉明≤8、L2 分块匹配≥0.45、L3 统计余弦自适应、LE 元素级 Sinkhorn-OT 对齐+ΔE00/LV VLM 仅叙述不判定，产生 VERIFICATION；律师钉定 pin_element（main.py:530，confidence=1.0）与补证 add_evidence（main.py:483）产生 MODIFY_MAPPING/ADOPT_OUTPUT。关键优势：pin_backup（main.py:506）天然保留「模型原判 vs 人工改判」差分对，是飞轮最干净的燃料；审计 action 流（element_pinned/evidence_added/chat_intent_*）经哈希链（store.py:150，append-only）防篡改。沉淀 ImageWork/VisualElement 节点与 VERIFIED_BY 边，LE pairs/metrics 已 JSON 化+证据图对象 key+file_hashes（image_pipeline.py:493）可直接归一。费用争议线须明示：cias 当前未实现许可费率/损害量化（E6「损害与因果」为可选取件且显式排除判定，elements_cn.json:20），LICENSED_AT/DAMAGED_AS 属规划本体——飞轮在此线是绿地，需先建费率/损害采集与计算，demo 种子的 demo_note 预期标注（main.py:995）可作黄金集雏形。缺口：审计链无 verify 函数（飞轮侧需自建）、相似度分级人工归因无回写端点、cias_user_memory 仅 recent_cases 自动写。

11.5 FTO 自由实施线

主引擎为 FTO（七阶段 S1—S7，workflow.py STAGES:24；三关卡）与 Step1-4。飞轮闭环：S4 ClaimAnalyzer 逐要素映射（_analyze_one:804/外观 _analyze_design_one:594）产生 TRAJECTORY；律师 override_risk（dialog.py:370）改判风险等级产生 MODIFY_MAPPING；resolve_gate（workflow.py:120，REST /review api.py:502 与对话共用）裁决 gate_feature/gate_legal/gate_final 产生 GATE_RESOLVED；request_report_edit（dialog.py:398）产生 ANNOTATE；update_feature（dialog.py:206）产生特征修正。对话工具实为 26 个（TOOLS_SPEC dialog.py:62，含 14 个写入/干预控制类）。沉淀 READS_ON/RiskLevel/INVALIDATES。关键采集修复：override_risk 现原地覆盖 overall_level（dialog.py:378）、reviewer_override 仅存字符串（:379），改判前值丢失——飞轮钩子须在覆盖前捕获 before/after 结构化差分。FTO「规则×LLM 双层兜底」（S6 总体判定纯规则:913、S5 规则兜底:889）与飞轮兼容：沉淀的是映射结论与风险先验，不改规则确定性。缺口：S7 QA 修复循环 issues 硬置空（:1145）致 qa_status 恒 passed、S7 重算 overall 漏 high 分支（:1137，与 S6:918 不一致）、全表无 confidence 字段、rerun 清空历史（:1176）旧轮次不可追溯、无评分端点——飞轮需补置信度列、版本化轨迹与 QA 真实门禁。

11.6 类案检索支撑线

legal-cases（类案 RAG，backend 位于 backend/，实测 427 案/1549 向量）是七线公共支撑：Case 经 RESOLVED_TO 关联 Precedent。需更正实现现状：四路召回+RRF（k=60，hybrid.py:18）已实现，但 BM25 为纯 Python bigram 演示级（case_store.py:46）、dense 用 embedding-3/2048 维失败退化为哈希向量、图扩展是内存「同案由+1/共同法条+2」邻接（case_store.py:330，非图数据库）；重排是 LLM 争点级交叉打分（hybrid.py:114，非 bge-reranker-v2-m3，bge 仅见设计文档）；引用校验器（verifier.py:108）仅包含性+SequenceMatcher，无偏移/哈希校验，拦截为软降级 quality_badge（engine.py:216，非硬阻断）。重大燃料缺口：采纳/修正/否决/点击端点全无（design_doc 仅设计），现仅机器信号可用——events 人机控制（engine.py:139）、checkpoints 快照（db.py:306）、verification/quality_badge、collected_items 采集溯源（internet.py:242）、wf:llm_tokens。飞轮在此线的首要任务是新建采纳/修正/否决端点（沉淀 RESOLVED_TO、L2），并把检索引擎从演示级升级（生产 BM25+向量+图数据库+重排）；LeCaRD/LeCaRDv2 回归与 Recall/nDCG 计算当前无代码，需平台侧新建。MCP 已暴露 12 工具（mcp_server.py，McpAuthGate main.py:92 鉴权），token_metrics 拒绝占位 user（RESERVED_USERS:50）。

11.7 工作台与记忆中枢

workdsh（工作台 + RSI）是平台的人机交互中枢与策略进化执行体，所有线的对话式干预（记忆、改判、批注）经 workdsh 的 harness 与 MCP 桥接汇入采集层；workdsh 的四层记忆（短/工作/长/元）与 KG 协同：记忆存偏好与上下文，KG 存可推理结论，rsi_knowledge 原本「存而不用」的缺口由知识消费桥接补齐（成功工具链/失败模式回写 KG 的 ErrorPattern/SearchRecipe）。82 个法律技能与 MCP 外部服务（威科先行）作为工具策略优化的对象，其成功率经 RSI 工具优化器聚合调参。

第十二章 多智能体协同与编排

12.1 协同范式：编排 + 黑板 + 门禁

平台现有三种协同范式被保留并统一：Step1-4/FTO 的状态机编排（阶段顺序 + 门禁）、deep-analysis 的黑板状态机（共享 blackboard + 智能体读写）、workdsh 的对话式工具循环（harness 工具注册表 + MCP 桥接，内置 7 工具；FTO 另有 26 个对话工具）。飞轮不改变这些范式，而是在其上叠加统一的「能力图谱 + 信号采集」：每个智能体注册为 Agent 节点，每次协同产生 TRAJECTORY/GATE_RESOLVED 事件，人机控制点成为飞轮的高质量信号源。

12.2 智能体注册与能力图谱

八仓库的智能体（Step1-4 的 A1—A8/FigureAgent/QueryPlanner、deep-analysis 的 claim_parser/element_mapper/invalidity_reasoner 等、FTO 的 S1—S7 智能体）统一注册为 KG 的 Agent 节点，属性含 agent_id/repo/职责/模型/提示词版本。Agent USES_PROMPT PromptVersion 关系使「某智能体当前用哪个提示词版本」可查询；Strategy OPTIMIZES Agent 使「某策略作用于哪个智能体」可追溯。这为第十章的跨仓库策略联邦提供结构基础，也使能力地图（LawBench/LexEval 式的组件能力跟踪）可落到具体智能体。

12.3 跨仓库智能体互调

跨仓库协同经 MCP 协议：飞轮平面注册 mcp__lawsight-flywheel__graph_retrieve（GraphRAG）与 mcp__lawsight-flywheel__record_feedback（反馈回写）两个工具，经 workdsh 已有的 MCP 桥接与 mcpguard 白名单接入。各仓库智能体可自主调用 GraphRAG 的召回知识；workdsh 作为中枢可编排跨仓库任务（如「类案检索→侵权比对→风险评估」链）。互调严格携带 user_id（harness.execute_tool 对 mcp__lawsight* 强制注入 effective_user，模型自报值不作数）与 tenant_id，继承 V3 归属策略。

12.4 人机协同控制点：飞轮的高质量信号源

平台的门禁与控制点（Step1-4 九道门禁 C1—C4/CP-07—11、FTO 三关卡、deep-analysis awaiting_review）是飞轮最宝贵的信号源——它们是人类专家判断的制度化出入口。表 12-1 给出控制点与飞轮信号的对应。设计原则：每个控制点的裁决都被采集，且裁决上下文（当时系统给出的候选与理由）一并保留，使「专家为什么这样改」可还原。
表 12-1 控制点 → 飞轮信号

控制点	仓库	裁决动作	飞轮信号
CP-07 解释立场	Step1-4	窄/宽口径裁定	CONSTRUED_TERM（L2）
CP-10 逐行审阅	Step1-4	接受/改写/拒绝	ADOPT/MODIFY/REJECT
CP-11 签发	Step1-4	双指纹签发	ADOPT_OUTPUT（L2）
gate_feature	FTO	批准/改特征/退回	MODIFY_MAPPING/ANNOTATE
gate_legal	FTO	确认/改判/重跑	MODIFY_MAPPING（override_risk）
gate_final	FTO	签发/批注退回	ADOPT_OUTPUT/ANNOTATE
awaiting_review	deep-analysis	steer 四动作	MODIFY_MAPPING/GATE_RESOLVED

12.5 干预协议与飞轮

Step1-4 的 12 种干预（pause/resume/stop/focus/inject/veto/veto_unit/rerun/redirect/lock_theory/rollback）与 FTO 的对话干预工具，都是飞轮信号：inject 注入领域知识→沉淀为约束规则候选；veto 否决证据→REJECT_OUTPUT；lock_theory 锁定理论→ADOPT_OUTPUT；rerun 切换立场→CONSTRUED_TERM。干预轨迹经检查点回退重放保留分支谱系，使「不同立场下的结论差异」成为可对比的评估数据。飞轮把这些干预从「一次性操作」提升为「可复用经验」。

12.6 可观测性统一

飞轮复用 Step1-4 的 observability 契约（Trace=事务，Span 覆盖 stage/llm/retrieval，ContextVar 随 asyncio 传播）与 deep-analysis 的 Prometheus 计数器、workdsh 的 Redis wf:llm_tokens 九字段流水。采集层为每个 FlywheelEvent 携带 trace_id，使「反馈信号→产生该信号的任务轨迹→LLM 调用→检索式」全链路可回放。可观测性数据供评估层计算延迟 P95/Token 成本，供 RSI 计算工具成功率，是飞轮转速的仪表盘。

第十三章 安全治理一体化

13.1 继承中央安全平面

飞轮平面不新建安全体系，而是继承中央安全平面（lawsight-security-plane）与零依赖 SDK（lawsight_security）的全部能力：HS256 验签（jwtlite.verify，sdk/jwtlite.py:28）、G0 认证中间件（off/warn/enforce，middleware.py:28）、RBAC、netguard（SSRF/上传路径囚笼）、firewall（G1 准入规则+L2 分类器）、mcpguard（stdio 白名单）、事件信标。飞轮平面所有端点挂 G0 中间件，继承平台 enforce 模式。需扩展：平台现有角色为 owner/editor/viewer/auditor/platform-admin（access.py:29），无 expert 角色——飞轮的知识写入与策略晋升需专家权限，应在 ROLES 增补 expert（或以 editor 承载），L3+ 置信度升级与策略批准挂该角色。另需修复信标接收端点：实际为 POST /api/security/beacon/events（securityops.py:96，X-Beacon-Secret 恒时比较），且 main.py:86 引用的 access.beacon_bucket 未定义（仅 bucket，access.py:147）会致 500，集成前须修复。

13.2 租户隔离与权限感知检索

租户隔离贯穿全链路：FlywheelEvent.tenant_id 从 JWT 主体解析→GraphPatch 携带→KG 节点/边属性→GraphRAG 查询强制过滤→Qdrant payload filter。租户 A 的专家经验绝不泄漏给租户 B。这一并落地 INTEGRATION.md 的 P1 遗留项「权限感知检索」：不仅按租户，还可按案件 metadata 域过滤（如某案件仅特定团队可见）。权限感知检索以 KG 查询的 tenant_id + acl 双重过滤实现，向量检索以 Qdrant payload 的 tenant_id/acl filter 实现。

13.3 知识写入的安全闸门

知识入图是新的攻击面：恶意反馈可能注入虚假结论、污染图谱。防护三道：（1）G1 注入检查——非结构化反馈（律师批注/报告编辑文本）经 firewall G1 规则 + L2 语义分类器（正常案情 0.0/注入样本 0.99）检查，命中拒绝入图并记 security_event；（2）PII DLP——当事人信息脱敏后才入图（继承线上采样集脱敏规范）；（3）来源强制——结论性边必须携带可校验 provenance，无来源的「断言」拒绝。这使知识飞轮的「燃料」本身是干净可信的。

13.4 审计链与可溯源

飞轮的每一次知识变更与策略晋升都写入审计链：GraphPatch 审计表（MySQL）+ 安全平面 audit_chain（哈希链 append，audit_chain.py:35；verify 全链重算:63）+ MinIO WORM 锚定。三方关联（event_id→patch_id→audit hash）使任何历史图状态与策略状态可复现、可问责。需落地：anchor()（audit_chain.py:76）当前是纯预留钩子（全仓零调用、仅应用层 exists 判断、未配 MinIO Object Lock），飞轮需接定时任务+对象锁实现真 WORM；evidence 表（store.py:60）无 task_id/tenant 列，FlywheelEvent 溯源需扩列或关联表。业务侧：Step1-4 仅追加 SHA256 哈希链（store.py:166，audit_verify:240）已有校验，cias append-only 审计表（store.py:150）无 verify 函数需补。质量本身可溯源——这是白皮书「溯源优先」原则从数据层到工程流程的延伸。

13.5 LLM 网关零保留

飞轮的所有 LLM 调用（抽取器/评估器/RSI 优化器）经中央平面 LLM 网关的零保留路由（glm-cloud-zr），确保案件敏感信息不被模型服务商保留。token 计量经 wf:llm_tokens 九字段流水统一记账，user-id 归属严格 V3（真实用户经接口传来，禁占位）。这与平台「计量纪律」一致：凭空记账比漏记更糟，无归属调用拒绝。

13.6 基础设施安全继承

飞轮平面复用 lawsight_storage SDK 的对象囚笼（key 的 .. 段显式拒绝）、MinIO 预签名、MySQL 连接池（pre-ping）、Qdrant 字符串 id 的 uuid5 确定性映射。GraphRAG 的 Cypher 查询以参数化执行防注入；Neo4j/NebulaGraph 以独立账号最小权限。SSRF 防护（netguard 全 IP 解析拒绝回环/私网/云元数据、重定向逐跳复检）覆盖飞轮平面任何外部抓取。安全不是飞轮的附加项，而是其运行的前提。

第十四章 存储与数据模型设计

14.1 存储选型与分工

飞轮复用平台工业化存储栈，按数据形态分工（表 14-1）。原则：关系数据入 MySQL、图关系入 Neo4j、向量入 Qdrant、对象入 MinIO、实时流入 Redis，各层可环境变量切换回本地开发态（sqlite/本地磁盘/npz），与 lawsight_storage SDK 一致。
表 14-1 存储分工

存储	承载	选型理由
MySQL 8.4	事件/GraphPatch 审计/评估结果/策略注册/黄金集	事务/审计/聚合查询事实源
Neo4j 5.x（生产 NebulaGraph）	知识图谱节点/关系/版本链	多跳关系遍历/图算法
Qdrant v1.12	节点文本嵌入/语义辅助检索	payload 过滤/租户隔离
MinIO	标注图/证据原文/产物/WORM 锚定	对象囚笼/预签名
Redis 7	wf:flywheel_events/wf:llm_tokens/缓存	实时消费组/毫秒级

14.2 MySQL 库表 DDL

新增库 lawsight_flywheel，核心表如下（utf8mb4_0900_ai_ci，与平台一致）。events 表以 event_id 唯一键保证幂等；graph_patches 记录每次图变更的完整前后状态；eval_runs 与 strategies 支撑评估与策略联邦；golden_tests 存黄金修正集。

CREATE DATABASE IF NOT EXISTS lawsight_flywheel
  CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci;
CREATE TABLE events (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  event_id VARCHAR(64) NOT NULL,
  event_type VARCHAR(32) NOT NULL,
  repo VARCHAR(32) NOT NULL,
  tenant_id VARCHAR(64) NOT NULL,
  user_id VARCHAR(64) NOT NULL,
  matter_id VARCHAR(64),
  business_line VARCHAR(32),
  stage VARCHAR(64),
  agent VARCHAR(64),
  payload LONGTEXT,
  provenance LONGTEXT,
  confidence_hint FLOAT,
  trace_id VARCHAR(64),
  occurred_at BIGINT,
  schema_version VARCHAR(16),
  consumed TINYINT DEFAULT 0,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_event (event_id),
  KEY idx_tenant_type (tenant_id, event_type),
  KEY idx_matter (matter_id)
) ENGINE=InnoDB;
CREATE TABLE graph_patches (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  patch_id VARCHAR(64) NOT NULL,
  source_event_id VARCHAR(64),
  tenant_id VARCHAR(64) NOT NULL,
  ops LONGTEXT,
  confidence_delta FLOAT,
  reason TEXT,
  author VARCHAR(64),
  audit_hash VARCHAR(128),
  applied TINYINT DEFAULT 0,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_patch (patch_id),
  KEY idx_source (source_event_id)
) ENGINE=InnoDB;
CREATE TABLE eval_runs (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  run_id VARCHAR(64) NOT NULL,
  tenant_id VARCHAR(64),
  test_set_version VARCHAR(64),
  index_version VARCHAR(64),
  model_version VARCHAR(64),
  metrics LONGTEXT,
  gate_passed TINYINT,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_run (run_id)
) ENGINE=InnoDB;
CREATE TABLE strategies (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  strategy_id VARCHAR(64) NOT NULL,
  tenant_id VARCHAR(64),
  optimizer VARCHAR(32),
  target_agent VARCHAR(64),
  business_line VARCHAR(32),
  payload LONGTEXT,
  status VARCHAR(24),
  roi FLOAT,
  sandbox_result VARCHAR(24),
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_strategy (strategy_id)
) ENGINE=InnoDB;
CREATE TABLE golden_tests (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  test_id VARCHAR(64) NOT NULL,
  tenant_id VARCHAR(64),
  business_line VARCHAR(32),
  input LONGTEXT,
  expected LONGTEXT,
  relevance_grade VARCHAR(16),
  source_event_id VARCHAR(64),
  difficulty VARCHAR(16),
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_test (test_id)
) ENGINE=InnoDB;

14.3 Neo4j 图存储与索引

KG 以 Neo4j 承载（生产可换 NebulaGraph）。节点标签即表 5-1/5-3 的类型，关系类型即表 5-2。公共元属性（uid/tenant_id/confidence/conf_level/source/version 等）存于节点/关系属性。关键索引：tenant_id 复合索引（所有查询强制过滤）、uid 唯一约束、conf_level 索引（按置信级过滤）、business_line 索引。版本链以 superseded_by 关系表达，软删除置 effective_to。示例约束与索引：

CREATE CONSTRAINT node_uid IF NOT EXISTS
FOR (n:ClaimElement) REQUIRE n.uid IS UNIQUE;
CREATE INDEX node_tenant IF NOT EXISTS
FOR (n:ClaimElement) ON (n.tenant_id);
CREATE INDEX node_conf IF NOT EXISTS
FOR (n:ClaimElement) ON (n.conf_level);
// 多跳查询示例：某要素被哪些 L2+ 文献特征覆盖
MATCH (e:ClaimElement {uid:$eid, tenant_id:$tid})
  <-[r:READS_ON]-(f:PriorArtFeature)
WHERE r.conf_level >= 2 AND r.effective_to IS NULL
RETURN f, r ORDER BY r.confidence DESC LIMIT 20;

14.4 Qdrant 向量集合

新增集合 flywheel_kg（节点文本嵌入，BGE-M3，1024 维），payload 含 tenant_id/business_line/conf_level/node_type/uid，检索时以 filter 隔离。与现有 case_chunks（1549 条）、wf_project_memory（2048 维 embedding-3）并存：case_chunks 供类案召回，wf_project_memory 供事务记忆，flywheel_kg 供图节点语义辅助。字符串 uid 经 uuid5 确定性映射为 Qdrant 点 id（复用 lawsight_storage vector.py）。

14.5 Redis Stream 契约

新增流 wf:flywheel_events（MAXLEN ~100000），XADD 字段为 FlywheelEvent 的 JSON 序列化 + 路由键。消费组 flywheel-engine 以 XREADGROUP 消费、XACK 确认；信标兜底经 /api/security/beacon/events 回传后同样 XADD。wf:llm_tokens 九字段契约不变（ts/user_id/matter_id/stage/name/model/tokens_in/tokens_out/total），供评估层成本指标。

14.6 存量数据入图迁移

冷启动需把存量资产入图（表 14-2）。迁移以各仓库 scripts/migrate_storage.py 为模板，新增 scripts/migrate_to_kg.py：读 MySQL 存量→规则映射为节点/边→初始置信级按来源定（律师已验证 L2、模型抽取 L0、判例 L4）→批量事务写入。迁移幂等（以 uid 去重），行数核对全过。1549 条 case_chunks 向量直拷 flywheel_kg 零 API。
表 14-2 存量资产入图映射

存量资产	来源	目标节点/边	初始置信级
427 件类案	legal-cases cases 表	Precedent/Case/RESOLVED_TO	L2（律师采信）
1549 条向量	case_chunks	flywheel_kg 集合	随节点
87 件外观案件	design 9 表	DesignFeature/VisualElement	L0—L2
72 件版权案件	cias 3 表	ImageWork/LICENSED_AT	L0—L2
18 件全流程事务	step14 matters/events	Case/ClaimElement/READS_ON	L2（含改判）
662 条哈希链事件	step14 events	TRAJECTORY/反馈抽取	按信号

---

第十五章 具体实现（核心代码）

本章给出飞轮平面核心模块的可运行级实现（Python 3.12，纯标准库 + 平台已有 SDK）。代码遵循平台工程约定：零新依赖优先、幂等、租户隔离、规则×LLM 双层兜底。各模块可独立单测，与八仓库经 SDK 与 REST/MCP 集成。

15.1 采集 SDK：契约与双通道发射器

# lawsight_flywheel/contract.py
from dataclasses import dataclass, field, asdict
import time, uuid, json
FEEDBACK = {"MODIFY_MAPPING","REJECT_OUTPUT","ADOPT_OUTPUT",
            "ANNOTATE","CONSTRUED_TERM"}
HINT = {"MODIFY_MAPPING":0.80,"REJECT_OUTPUT":0.80,
        "ADOPT_OUTPUT":0.70,"ANNOTATE":0.75,"CONSTRUED_TERM":0.80}
@dataclass
class FlywheelEvent:
    event_type: str
    repo: str
    tenant_id: str
    user_id: str
    matter_id: str = ""
    business_line: str = ""
    stage: str = ""
    agent: str = ""
    payload: dict = field(default_factory=dict)
    provenance: dict = field(default_factory=dict)
    trace_id: str = ""
    event_id: str = field(default_factory=lambda: str(uuid.uuid4()))
    occurred_at: int = field(default_factory=lambda: int(time.time()*1000))
    schema_version: str = "1.0"
    def validate(self):
        if self.event_type not in FEEDBACK | {"RATE_OUTPUT","TRAJECTORY",
                "GATE_RESOLVED","VERIFICATION","ERROR_PATTERN"}:
            raise ValueError('unknown event_type')
        if not self.tenant_id or not self.user_id:
            raise ValueError('tenant_id/user_id required (V3)')
        if self.user_id.lower() in {"default","system",""}:
            raise ValueError('placeholder user_id rejected')
        return self
    @property
    def confidence_hint(self):
        return HINT.get(self.event_type, 0.0)
    def to_json(self):
        return json.dumps(asdict(self), ensure_ascii=False)

# lawsight_flywheel/emitter.py
import json, os, pathlib, threading
class Emitter:
    """双通道: Redis Stream 优先，失败降级本地 jsonl 信标。"""
    def __init__(self, redis=None, beacon_dir="data/flywheel_beacon",
                 stream="wf:flywheel_events"):
        self.redis = redis
        self.stream = stream
        self.beacon_dir = pathlib.Path(beacon_dir)
        self.beacon_dir.mkdir(parents=True, exist_ok=True)
        self._lock = threading.Lock()
    def emit(self, ev):
        ev.validate()
        data = ev.to_json()
        if self.redis is not None:
            try:
                self.redis.xadd(self.stream, {"e": data},
                                maxlen=100000, approximate=True)
                return
            except Exception:
                pass  # 静默降级，不影响业务
        with self._lock:
            f = self.beacon_dir / f"{ev.event_id}.jsonl"
            f.write_text(data + "\n", encoding="utf-8")
    def replay_beacons(self):
        """重启后补传未回传信标（幂等）。"""
        for f in self.beacon_dir.glob("*.jsonl"):
            try:
                self.redis.xadd(self.stream,
                                {"e": f.read_text("utf-8").strip()},
                                maxlen=100000, approximate=True)
                f.unlink()
            except Exception:
                break

15.2 置信度引擎

# flywheel_plane/confidence.py
from dataclasses import dataclass
LEVELS = [(0.30,"L0"),(0.50,"L1"),(0.80,"L2"),(0.95,"L3"),(1.00,"L4")]
def level_of(c: float) -> str:
    lvl = "L0"
    for thr, name in LEVELS:
        if c >= thr - 1e-9:
            lvl = name
    return lvl
class ConfidenceEngine:
    """noisy-OR 累积，独立证据去重，饱和于 1。"""
    def __init__(self, store):
        self.store = store  # 记录已计权证据指纹
    def accumulate(self, edge_uid, conf, hint, evidence_key, source):
        if source == "precedent_anchor":
            return 1.0, "L4"
        if self.store.seen(edge_uid, evidence_key):
            return conf, level_of(conf)  # 重复操作不重复计权
        w = hint if source == "expert_correction" else 0.50
        new = 1.0 - (1.0 - conf) * (1.0 - w)
        new = min(new, 1.0)
        self.store.mark(edge_uid, evidence_key)
        return new, level_of(new)
    def decay(self, conf, level, age_days, referenced):
        if level in ("L3","L4") or referenced:
            return conf  # 专家/先例知识不衰减
        half_life = 180.0
        return conf * (0.5 ** (age_days / half_life))

15.3 冲突裁决

# flywheel_plane/conflict.py
from enum import IntEnum
class Verdict(IntEnum):
    KEEP_NEW = 1
    KEEP_OLD = 2
    ESCALATE = 3
class ConflictArbiter:
    """优先级：时效 > 先例 > 置信级 > 多源 > 专家仲裁。"""
    def resolve(self, new, old):
        # R-VER-01 时效优先
        if new.effective_from and old.effective_from \
           and new.effective_from != old.effective_from:
            return (Verdict.KEEP_NEW if new.effective_from > old.effective_from
                    else Verdict.KEEP_OLD)
        if new.conf_level == "L4" and old.conf_level != "L4":
            return Verdict.KEEP_NEW
        if old.conf_level == "L4" and new.conf_level != "L4":
            return Verdict.KEEP_OLD
        if new.confidence != old.confidence:
            return (Verdict.KEEP_NEW if new.confidence > old.confidence
                    else Verdict.KEEP_OLD)
        if new.independent_sources != old.independent_sources:
            return (Verdict.KEEP_NEW if new.independent_sources > old.independent_sources
                    else Verdict.KEEP_OLD)
        return Verdict.ESCALATE  # 同级冲突挂起，推送资深律师

15.4 GraphPatch 与 KG 客户端

# flywheel_plane/kg.py
from dataclasses import dataclass, field
@dataclass
class GraphPatch:
    patch_id: str
    tenant_id: str
    source_event_id: str
    ops: list = field(default_factory=list)  # {op,node/edge,before,after}
    reason: str = ""
    author: str = ""
class KGClient:
    """Neo4j 事务写入，软删除 + 版本链，幂等。"""
    def __init__(self, driver):
        self.driver = driver
    def apply(self, patch: GraphPatch):
        with self.driver.session() as s:
            s.execute_write(self._tx, patch)
    def _tx(self, tx, patch):
        for op in patch.ops:
            if op["op"] == "add_edge":
                tx.run(
                    "MATCH (a {uid:$a, tenant_id:$t}),(b {uid:$b, tenant_id:$t}) "
                    "MERGE (a)-[r:%s {uid:$uid}]->(b) "
                    "SET r.confidence=$c, r.conf_level=$l, r.source=$src, "
                    "     r.provenance=$prov, r.version=$v, r.effective_to=NULL"
                    % op["rel"],
                    a=op["a"], b=op["b"], t=patch.tenant_id, uid=op["uid"],
                    c=op["confidence"], l=op["conf_level"], src=op["source"],
                    prov=op["provenance"], v=op["version"])
            elif op["op"] == "soft_delete":
                tx.run(
                    "MATCH ()-[r {uid:$uid, tenant_id:$t}]-() "
                    "SET r.effective_to=$now, r.superseded_by=$by",
                    uid=op["uid"], t=patch.tenant_id,
                    now=op["now"], by=op.get("superseded_by"))
    def retrieve(self, tenant_id, anchor_uid, min_level=2, hops=3):
        q = ("MATCH (e {uid:$uid, tenant_id:$t})<-[r]-(f) "
             "WHERE r.conf_level >= $ml AND r.effective_to IS NULL "
             "RETURN f, r ORDER BY r.confidence DESC LIMIT 50")
        with self.driver.session() as s:
            return list(s.run(q, uid=anchor_uid, t=tenant_id, ml=min_level))

15.5 飞轮引擎流水线

# flywheel_plane/engine.py
import json, asyncio
class FlywheelEngine:
    """五阶段: Collect→Extract→Validate→Merge→Serve, 幂等可重放。"""
    def __init__(self, store, extractor, validator, confidence,
                 arbiter, kg, vector, bus):
        self.store, self.extractor = store, extractor
        self.validator, self.confidence = validator, confidence
        self.arbiter, self.kg = arbiter, kg
        self.vector, self.bus = vector, bus
    async def run(self):
        async for ev in self.bus.consume("flywheel-engine"):
            try:
                await self.handle(ev)
                await self.bus.ack(ev)
            except Exception as e:
                await self.bus.nack(ev, str(e))  # 有界重试后进死信
    async def handle(self, ev):
        if self.store.exists(ev["event_id"]):
            return  # 幂等
        self.store.save_event(ev)                    # Collect
        if ev["event_type"] not in {"MODIFY_MAPPING","REJECT_OUTPUT",
                "ADOPT_OUTPUT","ANNOTATE","CONSTRUED_TERM"}:
            self.bus.route_trajectory(ev)            # 轨迹分流
            return
        patch = await self.extractor.to_patch(ev)    # Extract
        if not self.validator.check(patch, ev):      # Validate
            self.store.reject(patch, "validation_failed")
            return
        patch = self.govern(patch, ev)               # Merge
        self.kg.apply(patch)
        self.vector.upsert_patch(patch)
        self.store.save_patch(patch)
        self.bus.emit_internal("knowledge_merged", patch)  # Serve
    def govern(self, patch, ev):
        for op in patch.ops:
            if op["op"] != "add_edge":
                continue
            old = self.kg.find_edge(op["uid"])
            if old and self._conflicts(old, op):
                v = self.arbiter.resolve(op, old)
                if v.name == "KEEP_OLD":
                    op["op"] = "noop"; continue
                if v.name == "ESCALATE":
                    self.bus.escalate(patch); op["op"] = "noop"; continue
            c, l = self.confidence.accumulate(
                op["uid"], old.confidence if old else 0.0,
                ev["confidence_hint"],
                evidence_key=f"{ev['matter_id']}:{ev['user_id']}:{op['uid']}",
                source=ev["payload"].get("source","expert_correction"))
            op["confidence"], op["conf_level"] = c, l
        return patch
    def _conflicts(self, old, new):
        return old.get("predicate") != new.get("predicate")

15.6 GraphRAG 检索器

# flywheel_plane/graphrag.py
from dataclasses import dataclass
@dataclass
class EvidencePack:
    known_facts: list   # L3+
    few_shot: list      # L2
    constraints: list   # L4
    provenance: list
class GraphRetriever:
    def __init__(self, kg, vector, reranker, cache):
        self.kg, self.vector = kg, vector
        self.reranker, self.cache = reranker, cache
    def retrieve(self, tenant_id, anchors, query, critical_date=None):
        key = self._cache_key(tenant_id, anchors, query)
        if (hit := self.cache.get(key)) is not None:
            return hit
        graph_hits = []
        for uid in anchors:                      # 图遍历优先
            graph_hits += self.kg.retrieve(tenant_id, uid, min_level=2)
        vec_hits = self.vector.search(           # 向量辅助
            query, filter={"tenant_id": tenant_id, "conf_level_gte": 2},
            limit=30)
        fused = self._rrf(graph_hits, vec_hits, k=60)    # RRF 融合
        if critical_date:                        # 时效过滤
            fused = [h for h in fused if self._effective(h, critical_date)]
        ranked = self.reranker.rerank(query, fused)[:20] # 争点级重排
        pack = self._assemble(ranked)            # 三段式装配
        self.cache.set(key, pack, ttl=300)
        return pack
    def _rrf(self, *lists, k=60):
        scores = {}
        for lst in lists:
            for rank, h in enumerate(lst):
                scores[h.uid] = scores.get(h.uid, 0) + 1.0/(k+rank+1)
        return sorted({h.uid: h for lst in lists for h in lst}.values(),
                      key=lambda h: scores[h.uid], reverse=True)
    def _assemble(self, hits):
        pack = EvidencePack([], [], [], [])
        for h in hits:
            item = {"text": h.text, "conf": h.confidence,
                    "prov": h.provenance}
            if h.conf_level == "L4": pack.constraints.append(item)
            elif h.conf_level == "L3": pack.known_facts.append(item)
            else: pack.few_shot.append(item)
            pack.provenance.append(h.provenance)
        return pack

15.7 评估器与门禁

# flywheel_plane/evaluator.py
class EvalRunner:
    def __init__(self, golden, retriever, metrics):
        self.golden, self.retriever, self.metrics = golden, retriever, metrics
    def run(self, tenant_id, test_set_version):
        results = []
        for t in self.golden.load(test_set_version):
            pack = self.retriever.retrieve(tenant_id, t.anchors, t.query)
            hit = self._core_hit(pack, t.expected_core)   # Recall@50
            ndcg = self._ndcg(pack, t.graded)             # nDCG@10
            results.append({"test_id": t.test_id, "hit": hit, "ndcg": ndcg})
        m = self.metrics.aggregate(results)
        return m
class GateKeeper:
    THRESHOLDS = {"recall_delta": -0.01, "ndcg_delta": -0.01,
                  "citation_accuracy": 1.0, "hallucination_max": 0.5}
    def decide(self, current, baseline, correction_pass):
        if current["recall"] - baseline["recall"] < self.THRESHOLDS["recall_delta"]:
            return False, "Recall@50 劣化超限"
        if current["ndcg"] - baseline["ndcg"] < self.THRESHOLDS["ndcg_delta"]:
            return False, "nDCG@10 劣化超限"
        if current["citation_accuracy"] < 1.0:
            return False, "引用准确率未达 100%"
        if not correction_pass:                # 黄金修正集硬约束
            return False, "黄金修正集低于 champion"
        return True, "passed"

15.8 八仓库接入示例（Step1-4）

接入是旁路钩子，不改业务逻辑。以 Step1-4 的 annotate（律师改判）为例，在既有 edit_lineage 记录后旁路发射 FlywheelEvent：

# Step1-4 backend/app/step4.py 接入示例（后置旁路）
from lawsight_flywheel import FlywheelEvent, Emitter
_emitter = Emitter(redis=app_redis,
                   beacon_dir="data/flywheel_beacon")
def annotate(m, unit_id, kind, rewritten_text, actor):
    unit = _do_annotate(m, unit_id, kind, rewritten_text, actor)  # 原逻辑
    # —— 飞轮旁路采集（失败不影响业务）——
    try:
        etype = {"accept":"ADOPT_OUTPUT","reject":"REJECT_OUTPUT",
                 "rewrite":"MODIFY_MAPPING"}[kind]
        ev = FlywheelEvent(
            event_type=etype, repo="step14",
            tenant_id=m.tenant_id, user_id=actor,
            matter_id=m.id, business_line=m.business_line,
            stage="CP-10", agent="step4",
            payload={"unit_id":unit_id,"old":unit.old_verdict,
                     "new":unit.verdict,"rewritten":rewritten_text,
                     "source":"expert_correction"},
            provenance={"quote":unit.quote,"hash":unit.quote_hash,
                        "deeplink":unit.deeplink},
            trace_id=m.trace_id)
        _emitter.emit(ev)
    except Exception:
        log.warning("flywheel emit skipped", exc_info=True)
    return unit

其余仓库同理：deep-analysis 在落 Finding 处发 VERIFICATION、FTO 在 resolve_gate 处发 GATE_RESOLVED/MODIFY_MAPPING、workdsh 复用已有 harness task.end 钩子发 TRAJECTORY、legal-cases 在校验器出口发 VERIFICATION、design/cias 在评分/审计落库处发对应事件。所有钩子均为 try/except 包裹的旁路，采集失败绝不中断业务——这是「联邦而非重建」原则在代码层的体现。

第十六章 冷启动与实施路线图

16.1 三阶段总览

实施分三阶段，遵循「先底座后闭环、先试点后全量、先离线后在线」的节奏，避免一次性建设成本劝退团队。表 16-1 给出三阶段的目标、交付物与北极星指标。
表 16-1 三阶段路线图

阶段	时间	核心交付	北极星目标
冷启动期	第 1—3 月	Schema 落地/存量入图/采集 SDK/两线试点/评估工具链	命中率≥30%、修正率≤50%
成长期	第 4—12 月	七线全量/置信度与校验器全开/RSI 联邦/A/B 与门禁	命中率≥70%、修正率≤25%、L2+≥40%
成熟期	第 13 月+	跨线知识迁移/自动进化/公开基准/质量外化	命中率≥85%、修正率≤15%、成功率≥93%

16.2 冷启动期（第 1—3 月）

第 1—2 周：搭建飞轮平面骨架（FastAPI + lawsight_storage）、Neo4j/Qdrant 接入、Schema 与索引落地、评估工具链（先覆盖检索层指标，不依赖人工、反馈快）。第 3—6 周：采集 SDK 复制到八仓库、Step1-4 与 deep-analysis 两线试点接入（旁路钩子）、存量资产入图（427 类案/1549 向量/18 事务）。第 7—10 周：置信度引擎与校验器上线、GraphRAG 检索服务供试点调用、黄金修正集首批构建。第 11—13 周：两线试点跑通完整闭环、离线回归基线建立、冷启动验收。冷启动期的关键是「先让飞轮转起来」——哪怕命中率只有 30%，也要验证「反馈→入图→召回→命中」的闭环真实有效。

16.3 成长期（第 4—12 月）

七线全量接入（FTO/design/cias/legal-cases/workdsh）、置信度与冲突裁决全开、RSI 联邦扩展（跨仓库策略注册/A/B/黄金修正集门禁）、发布门禁 CI 作业化、在线埋点与离线相关性校验。每季度在 LeCaRDv2 跑全量回归并公开内部报告。成长期的关键是「让飞轮转得快且稳」——命中率从 30% 爬升到 70%，同时引用校验通过率≥95%、策略 A/B 每季≥6 个晋升。此阶段需重点防范测试集漂移（在线信号校验）与知识污染（安全闸门）。

16.4 成熟期（第 13 月+）

跨线知识迁移常态化（等同原则/类案先例/检索配方跨线复用）、自主级别向 L3 演进（低风险策略自动应用）、对抗集自我强化（每次线上失败转化为样本）、质量主张外化（公开基准报告、可复现事实）。成熟期的关键是「让飞轮自我强化」——系统不仅越用越好，而且能自己发现薄弱点、自己生成改进、自己验证上线，人类专家聚焦于高价值仲裁与新领域拓展。

16.5 团队与分工

建议设飞轮平台组（3—4 人：沉淀/治理/推理/评估服务）、业务接入组（每仓库 1 人兼职：旁路钩子与信号映射）、标注与评估组（律师协作者背对背双人标注 + 资深律师仲裁）、安全与运维组（复用现有安全平面团队）。平台组负责共享底座，业务组负责联邦接入，标注组负责黄金集与修正集质量，安全组负责治理闸门。分工延续「联邦而非重建」：各仓库引擎团队不需重写业务，只需接入旁路。

16.6 验收标准

每阶段验收以可计算指标为准（表 2-1），辅以工程验收：（1）闭环可回放——任选一条历史反馈，可还原其入图→召回→命中全链路；（2）幂等可重放——重复消费同一事件不重复计权，断点续跑不丢失；（3）租户隔离可验证——跨租户检索零泄漏；（4）门禁可拦截——构造劣化变更，门禁确实阻断；（5）安全可审计——任何图状态/策略状态可复现可问责。工程验收与指标验收同等重要，防止「指标好看但闭环脆弱」。

第十七章 风险与对策

17.1 风险矩阵

表 17-1 列出主要风险、后果与对策。风险分为知识质量、策略安全、工程稳健、组织采纳四类，每类都有已设计的工程闸门而非仅靠流程约束。
表 17-1 风险与对策

风险	后果	对策
知识污染（恶意/错误反馈入图）	图谱被虚假结论误导	G1 注入检查+L2 分类器+来源强制+置信度闸门（§13.3/6.5）
测试集漂移	离线提升在线持平	在线信号相关性校验+季度黄金集更新（§9.6）
冷启动空图	初期命中率低、价值不显	存量资产入图+两线试点先转起来（§14.6/16.2）
LLM 抽取幻觉	编造案号法条入图	规则优先+受约束抽取+引用校验未过不升 L2（§7.3/6.5）
租户泄漏	跨租户经验外泄	tenant_id 全链路强制过滤+权限感知检索（§13.2）
策略失控	自我修改进化退化	L2 人工批准+沙盒+champion 恒定+错误率熔断（§10.6/10.7）
检索性能瓶颈	任务时延上升	邻域限跳+版本哈希缓存+P95≤2s（§8.6）
成本失控	Token/算力超支	预算熔断+成本门禁环比升≤10%（§9.5）
组织采纳不足	专家不愿反馈、飞轮断燃料	旁路零侵入+修正即沉淀可见收益+标注规范减负（§15.8/9.7）

17.2 残余风险与边界

明示三点边界：（1）跨领域类推检索仍是短板——图谱沉淀的是已验证结论，对全新领域的零样本类推能力有限，需人工拓展本体；（2）飞轮不替代法律判断——所有结论性输出保留人工审查，L4 先例锚定也需生效裁判支撑，系统不做终局法律决定；（3）知识时效依赖人工维护——法条修订的 effective_from/to 需及时更新，否则时效裁决可能滞后，建议与法规更新源（威科先行 MCP）联动。这些边界不是缺陷而是诚实的设计约束，与白皮书「方案两点边界需明示」的精神一致。

第十八章 总结

本方案完成了从平台现状盘点到双飞轮系统设计的完整闭环，核心结论是：Lawsight 平台已具备丰富的飞轮原始要素——workdsh 的 RSI 自我进化、Step1-4 的九道门禁与哈希链、deep-analysis 的 Finding 评估单元、FTO 的三关卡与改判、legal-cases 的引用校验与学术基准、design/cias 的比对与审计——缺的不是引擎，而是把引擎联邦起来的平台级闭环。本方案以「联邦而非重建」为原则，用统一事件总线把八仓库的异构信号归一为 FlywheelEvent，用统一知识图谱把专家经验沉淀为可溯源、可置信度治理、可跨线复用的图资产，用 GraphRAG 把沉淀兑现为下次任务的命中率，用评估基准与发布门禁保证「越用越好」且「越用越稳」，用 RSI 联邦把运行轨迹进化为可治理的策略。
方案的两条飞轮相互啮合：知识飞轮让系统越用越懂法律（命中率 30%→85%、修正率 50%→15%），策略飞轮让系统越用越会干活（成功率 80%→93%、Token 环比降 20%）；两者共享能力图谱与评估信号，使跨业务线的知识迁移与策略复用成为平台独有的复利。全部设计不触碰模型权重，能力增长完全来自图谱与策略热配置两个外部载体，从根本上保证了可溯源性与合规性。
方案配有可运行级实现：采集 SDK、置信度引擎、冲突裁决、GraphPatch 事务写入、五阶段飞轮引擎、GraphRAG 检索器、评估门禁与八仓库旁路接入示例均给出具体代码；存储层复用平台工业化栈（MySQL/Neo4j/Qdrant/MinIO/Redis）并给出 DDL；安全治理继承中央安全平面全部能力。三阶段路线图（冷启动/成长/成熟）以可计算指标与工程验收双轨推进，确保飞轮在真实生产流量中持续转动。最终目标：让每一次律师修正都不再蒸发，让每一个智能体都站在平台全部历史经验之上工作——专利事务输入，可辩护的答案输出，且这个答案一次比一次更好。

附录 A 八仓库代码级接入证据

本附录基于对八仓库后端代码的深度阅读（非仅设计文档），给出每个仓库的智能体流水线、反馈信号源、评估校验、存储与计量的精确代码位置（file:line），作为第四章信号映射与第十五章接入实现的证据底座。路径均相对各仓库 backend 根。

A.1 Step1-4-Agentic-Workflow（8300）

流水线：engine.py:25 STAGE_ORDER 14 阶段 + _GATE_AFTER 9 道门禁（C1—C4/CP-07—11）；Step1 A1—A8（step1.py）、Step2 四源并行+STU 看板（step2.py，阈值 0.14/2 轮）、Step3 九阶段证据映射（step3.py）、Step4 结论装配（step4.py）。提示词集中于 i18n.py 双语元组（s3.mapper:497、s4.opinion:705）。存储三表（persist.py:31，MySQL lawsight_step14）：matters（state 全量 JSON）、events（prev_event_hash/this_event_hash 哈希链，PK(matter_id,seq)）、specs。实测 18 事务/662 事件/58 说明书。反馈信号：annotate（step4.py:453，rewrite→lawyer_written+edit_lineage）、do_signoff 双指纹（:562）、emit 哈希链（store.py:166，audit_verify:240）。质量门禁四指标（step3.py:544：逐字 100%/精确≥99.5%/有效判定≥95%/审计链 100%），verify_citation 偏移+哈希+包含三重校验（verify.py:102，模糊锚定≥0.80）。mem0 记忆（memory.py）：Qdrant wf_project_memory embedding-3/2048 维，创建与 CP-11 签发双写（record_request_memory:318/record_result_memory:332）。缺口：记忆为文本摘要非结构化图谱、解释卡 calibration 为演示数据（i18n.py:732）、无跨事务评估集/提示词自动优化。

A.2 lawsight-deep-analysis（8001）

智能体（app/agents/）：claim_parser（三档解释 broad/narrow/proposed）、search_strategist（三视角）、evidence_hunter（智慧芽 P018/P012+GLM 网页深采）、element_mapper（三态 met/not_met/uncertain+逐字约束）、CitationVerifier（element_mapper.py:72：包含→pass、difflib≥0.97→warn、fail 且 met→降 uncertain）、invalidity_reasoner（贪心集合覆盖 beam24、§102/§103 KSR）、report_generator、intent_agent。编排=黑板状态机（orchestrator.py:162 run_invalidity/:306 run_infringement），完成→awaiting_review（:444），steer 四动作（routers/runs.py:124），resume 以 bb.elements 为检查点。六表（models.py:26）：Run（blackboard JSON）、AgentStep（duration_ms、status ok|error|degraded）、Conversation、Upload、ChatMessage、Finding（element_id/reasoning_type/statement/confidence/verified/citations/model_version/score）。Finding.score 为规则打分（orchestrator.py:260，1.0/0.8/0.6/0.0）。token：enterprise/token_metrics.py 写共享 wf:llm_tokens+Prometheus。缺口：EventBus 仅内存环形 2000（events.py:24，重启即失）、人工反馈仅 awaiting_review+steer 无评分/改判落库、无跨 run 记忆、score 硬编码非学习。注：stilha-report/ 是调研 docx 生成脚本（Node docx）非运行时模块。

A.3 lawsight-workdsh（8002）

RSI 子系统（app/rsi/，16 模块/13 表）：_auto_cycle task.end→_on_task_end（collector.py:205）→轨迹+L2/L3+知识+记忆+异步 L4→count≥8 且 autonomy≥2→run_cycle；rsi_cycles.phase perform→evaluate→modify→redeploy（loop.py:31）。L4 judge 1—5 分（collector.py:145，≥4.5→长期记忆 importance 0.8）。evaluator 阈值：成功率<0.85/延迟>20s/评审<4.0/token>6000/L1<0.6，六优化器（提示遗传/上下文 MCE/工具/记忆/工作流 ε-greedy 0.3/代码插件），meta-trust=(wins+1)/(total+2)×avg_gain，rsi_config 热配置，sha1(task_id)%2 A/B，challenger>champion+0.05 且样本≥6/臂≥4→晋升。autonomy L1—L4 默认 2，L1/L2 挂起不写配置；governance AST 白名单+python -I 沙盒 8s；monitor 30s/错误>0.3→回滚+熔断。四层记忆（短/工作/长/元），score=relevance×0.7+importance×0.3，阈值 0.15 top4，遗忘 30d 且 importance<0.4。harness Tool/toolContext（harness.py:30），execute_tool 对 mcp__lawsight* 强制 user_id（:133），6 钩子，400k 字符压缩。缺口：rsi_knowledge 存而不用、进化仅全局配置、定时任务绕过采集、评估 token_cost 硬编码 900、A/B 仅提示层、无离线评估集。

A.4 lawsight-fto（8005）

七阶段（workflow.py STAGES:24，_exec_stage:275 反射取 handler）：S1 _stage_s1_feature:309、S2 _stage_s2_search:367（中英分路 TACD:382/零命中中泛化:400/以图搜图:421）、S3 _stage_s3_filter:467（LLM 分档失败全 medium:507）、S4 _stage_s4_mapping:550（发明 _analyze_one:804/外观 _analyze_design_one:594，每篇子检查点:576）、S5 _stage_s5_risk:849（规则兜底:889）、S6 _stage_s6_report:910（总体判定纯规则:913）、S7 _stage_s7_qa:1105，检查点 _save:261，恢复 STAGES[idx+1:]（_run:199），S4 跳过 pn in analyses:557；rerun_task:1151（清空:1176/run_count+1:1199）。三关卡 open_gate:89、resolve_gate(task_id,user_id,action,comment):120（approve feature_confirmed:129/risk_confirmed:131/gate_final 签发:134；reject 回退 s5_risk:158），REST /review api.py:502 与对话共用。对话工具 26 个（TOOLS_SPEC dialog.py:62，TOOL_IMPL:437），写入/干预 14 个：override_risk:370（原地覆盖 overall_level:378+reviewer_override 字符串:379）、update_feature:206、request_report_edit:398（置 s5_risk:405）、rerun_patent:254。五表（store.py:17 MySQL/95 SQLite）：tasks（checkpoint/state/gate/signed_by/run_count）、events、llm_calls、chat_messages、harness_runs（steps 截断 60000:356）。token_metrics.record:62 双写 SQLite+XADD wf:llm_tokens:91。Harness input_guard:36/output_guard:45（幻觉 PN）/Budget:56（3 步/60000 token）。缺口：QA issues 硬置空:1145 致 qa_status 恒 passed、S7 重算 overall 漏 high:1137、无 confidence 字段、改判前值丢失、无评分端点、业务事件未进流（SSE 轮询 DB）。

A.5 lawsight-design-patent（8123）

backend 位于 lawsight/backend/。编排 engine.py:108 build_graph/:173 execute_case，节点链 parse_patent→ingest_asset→search→status_verify→view_align→feature_diff→prior_art→visual_score→(A:report | B:risk_ranking→distinct_feature→design_around→regression→fto_report)→hitl，模型 glm-5.3-flashx（config.py:23），多模态 glm.vision（glm.py:66，temperature=0.0:41）。FeatureDiff（path_a.py:491，降级 _fallback:549）；compare_views（vision.py:241，配准 align_pair:75 ORB+RANSAC、shape_similarity:128 Hu0.35+IoU0.65、smart_embedding:224 CLIP 可选、VIEW_WEIGHTS:181）；VisualScore（path_a.py:576，_score:629，WEIGHTS:627 shape.40/novelty.30/pattern.20/color.10，_grade:655 四档 0.80/0.70/0.60）。反馈：review（routes.py:221→state.reviews:226，ReviewRequest schemas.py:142 verdict+5 类 decision）、select_scheme（routes.py:237→add_design_version:243）、image_search_flag（routes.py:398，todo/dismiss/confirm/none→hit_flag:410+add_audit:413）。benchmark.py:23 8 对样例，方向一致率:60≥80% 达标（README 8/8）。九表（store.py:22 MySQL/63 SQLite）：t_case（state LONGTEXT）、t_audit、t_patent、t_feature_matrix（commonality/distinctiveness/observability_weight/functional_constraint）、t_score（s_overall/s_novelty/risk_grade）、t_avoid_scheme（est_risk_drop/regression_before/after）、t_chat、t_design_version（version/owner/changed_parts/reason/approved_by）、t_image_search。MinIO storage.py:33 prefix=design。token_bus.emit_usage:54→XADD:72。法条库 law_kb.py:9 关键词串匹配（非向量）。缺口：无特征矩阵/评分/整体视觉人工改判端点、WEIGHTS/_grade/est_risk_drop 硬编码、回归非真实复测（_remeasure:171 仅 mock）、无黄金集/CI、zhihuiya.py:172 附图下载裸 http.get（SSRF）。

A.6 copyright-detective / cias（8000）

backend 位于 cias/backend/。Plan-and-Execute A0 编排+A1—A13（engine.py:9），run_case:240，_step 检查点:128，_gate 闸门 45，ownership_gate 阻断三态:217。img_sim_tool（main.py:827）→compare_images（image_pipeline.py:456）五级级联：L1 pHash 汉明≤8:75、L2 分块匹配≥0.45:97、L3 统计余弦 art=0.80:153、LE 元素级 LAB k-means:165+Sinkhorn-OT:237+ΔE00/质心/IoU→五类:252、共同错误探针 NCC≥0.90:283（≥3 处 shared_fragment_signal:321）、LV VLM 仅叙述 advisory:406。六档分级+human_review_recommended:474，举证图 _draw_evidence:351。侵权认定 apply_rules R1—R5（engine.py:143，infringe/non_infringe/insufficient+escalation_required），shared_fragment fail-closed 强制存疑:267。反馈：pin_element（main.py:530，confidence=1.0，审计 element_pinned:565）、unpin 恢复 pin_backup:506、add_evidence:483（EV-Uxx）、case_chat:590（chat_ops.py:38 意图路由 pin/unpin/add_evidence/rerun/explain/attack）。审计链 store.audit:150（同事务链头 prev→sha256 排序 JSON[:32]→INSERT cias_audit，append-only，无 verify）。三表（store.py:16）：cias_cases（payload LONGTEXT 整包）、cias_audit、cias_user_memory（recent_cases[8]/prefs/notes，仅 recent_cases 自动写 chat_ops.py:159）。上传 sha256[:16] 命名→MinIO cias/uploads/。token_metrics.publish:90→XADD wf:llm_tokens。费用争议未实现（E6「损害与因果」可选且排除判定，elements_cn.json:20；无法率/损害计算）。缺口：无相似度分级/结论直接改判端点、无律师签发、红队采纳未采集、费用线空白、VectorStore 未用、demo_note 预期标注（main.py:995）可作黄金集雏形。

A.7 lawsight-legal-cases（8111）

backend 位于 backend/。四路召回+RRF 已实现：BM25 纯 Python bigram 演示级（case_store.py:46，k1=1.5/b=0.75）、dense embedding-3/2048 维失败退化哈希向量（client.py:160）、法条锚 statute_index 反查:307、图扩展内存邻接「同案由+1/共同法条+2」:330（非图库）；RRF_K=60（hybrid.py:18），重排为 LLM 争点级交叉打分 0—100（hybrid.py:114，非 bge-reranker，bge 仅设计文档）。引用校验器 verifier.py:108：编号存在:115+去空白包含性:127+SequenceMatcher 相似度:128+内置引用:133（无偏移/哈希）；拦截软降级 quality_badge（engine.py:216，≤2 轮重生成，非硬阻断）。八表（db.py:25）：tasks/checkpoints/events/token_usage（redis_ok 补发）/collected_items/kv/cases（case_number 二进制排序主键+payload）/laws（status/superseded_by 版本链）。VectorStore case_chunks/2048 维（case_store.py:153），实测 427 案/1549 向量（npz 直拷零 embedding，migrate_storage.py:38）。token_metrics.emit 拒绝占位 user（RESERVED_USERS:50，:103），_require_user（routes.py:27，空/占位 400、归属不符 403）。MCP McpAuthGate（main.py:92，LAWSIGHT_MCP_TOKEN+hmac），12 工具（mcp_server.py）。collect（routes.py:256→internet.py:91 web-search-pro+glm 结构化）。重大缺口：采纳/修正/否决/点击端点全无（仅设计）、无 LeCaRD/黄金集/Recall/nDCG 代码、检索演示级（实测 191 案 707 块）。

A.8 lawsight-security-plane（8200）

认证：issue_token HS256 sub=tenant:user（access.py:46），jwtlite.verify 纯标准库（sdk/jwtlite.py:28），角色 owner/editor/viewer/auditor/platform-admin（access.py:29，无 expert），require_role:88/own_resource 跨租户 403:100。G0 SecurityMiddleware off/warn/enforce（middleware.py:28），bootstrap.install:14。审计链 append（audit_chain.py:35，SHA256(prev+canonical)）、verify 全链:63、anchor:76（应用层 WORM，零调用纯预留）。证据 freeze_evidence EV+sha[:16]（audit_chain.py:110），evidence 表（store.py:60，无 task_id/tenant）。信标 POST /api/security/beacon/events（securityops.py:96，X-Beacon-Secret 恒时比较），SDK events.py 本地 jsonl+fire-and-forget 2s（sdk events.py:28，detail 截断 300）；缺口 main.py:86 access.beacon_bucket 未定义（仅 bucket:147）→500。运营中心 repos.py：端口注册:37、_child_env:401 透传 16 存储变量+密钥、resolve_security_mode:161、start/stop 白名单无 shell:499。LLM 网关 glm-cloud-zr 零保留（llm_gateway.py:18），chat 唯一出口+QuotaFuse 三层配额（任务 30 万/租户日 200 万/全局月 3000 万）+dlp_mask:136。SDK：netguard guarded_fetch_sync 逐跳复检（netguard.py:49）/jail_path:128/validate_uploaded_bytes:137；firewall G1 规则:12+L2 classify_injection_sync（input_firewall.py:67，阈值 0.85/0.60）；mcpguard STDIO_ALLOW python -I/node:9。存储 SDK：database qmark_to_format 引号状态机:55/tx:394/columns:469；objects full_key:57/local 囚笼:66/presign_get:213；vector uuid5:30/payload 等值过滤:132/exists_ids 幂等:204，十二表（store.py:29）。飞轮可继承：install 一行装配、存储三件套零改动新建 lawsight_flywheel/ObjectStore(prefix=flywheel)/VectorStore(flywheel_kg)、REPOS 加一条即获启停。需扩展：expert 角色、权限感知检索（平面未用 VectorStore，绿地）、evidence 扩列、anchor 接线、beacon_bucket 修复、QuotaFuse 集群换 Redis。

附录 B 代码级缺口与修复清单

本附录把深度代码阅读发现的缺口与缺陷整理为可执行的修复 backlog，按优先级排序：P0 阻断飞轮采集或涉及安全，须在冷启动期（第 1—3 月）首批修复；P1 反馈信号缺失或采集断点，决定飞轮是否有燃料，须在两线试点前补齐；P2 治理与评估增强，在成长期逐步落地。每条均给出精确代码位置（file:line）、飞轮影响与修复对策，与第四章信号映射、第十三章安全治理、第十五章实现互为索引。
表 B-1 代码级缺口与修复 backlog（P0 阻断 / P1 断点 / P2 增强）

编号	仓库·代码位置	问题	飞轮影响	修复对策	优先级
B1	security-plane main.py:86	access.beacon_bucket 未定义（仅 bucket:147），信标端点抛 AttributeError 返回 500	jsonl 信标通道断裂，双通道采集只剩 Redis 单腿	改为 access.bucket 或补 beacon_bucket 别名，加端点冒烟测试	P0
B2	fto workflow.py:1145	QA issues 硬置空列表，qa_status 恒 passed（:1146）	质量门禁失效，错误轨迹被当作合格样本喂养策略飞轮	真实聚合各阶段 issues，门禁不通过则阻断签发	P0
B3	fto workflow.py:1137	S7 重算 overall 漏 high 档（与 S6:918 判定不一致）	总体风险结论前后矛盾，改判信号失真	抽取统一判定函数 S6/S7 共用	P0
B4	design-patent zhihuiya.py:172	附图下载裸 http.get，未过 netguard	SSRF 风险，违反平台统一出网约束	改用 netguard.guarded_fetch_sync 逐跳复检	P0
B5	fto dialog.py:378	override_risk 原地覆盖 overall_level，reviewer_override 仅存字符串（:379），改判前值丢失	无法构造 before/after 差分对，知识飞轮丢失最高价值信号	采集钩子捕获前值并发出 FlywheelEvent（附录 C.1）	P1
B6	legal-cases routes.py	采纳/修正/否决/点击端点全无（仅设计文档）	检索飞轮无燃料，命中率无法度量增长	新增 adopt/correct/reject/click 端点并 emit（附录 C.4）	P1
B7	design-patent routes.py	无特征矩阵/评分/整体视觉人工改判端点	行级修正无法采集，VisualScore 权重无从校准	新增 feature/score 改判端点并 emit（附录 C.3）	P1
B8	cias main.py	无相似度分级/结论直接改判端点、无律师签发	结论修正与签发信号缺失，L4 先例锚定无来源	新增 verdict 改判与 signoff 端点并 emit	P1
B9	deep-analysis routers/runs.py	人工反馈仅 awaiting_review+steer，无评分/改判落库	Finding 修正蒸发，score 硬码无法学习	落库 verdict/score 后 emit，Finding 接 KG	P1
B10	security-plane store.py:60	evidence 表无 task_id/tenant 列	证据无法关联任务，无法租户隔离，权限感知检索缺基础	扩列 task_id/tenant_id 并迁移，检索强制过滤	P1
B11	security-plane access.py:29	角色仅 owner/editor/viewer/auditor/platform-admin，无 expert	专家反馈无权限载体，置信度升级缺主体	扩展 expert 角色与 require_role，反馈端点鉴权	P1
B12	security-plane audit_chain.py:76	anchor() 零调用纯预留，应用层 WORM 未生效	审计链可被篡改而无锚定证明	接线定期 anchor（对齐 Step1-4 哈希链签发）	P2
B13	cias store.py:150	审计链 append-only 但无 verify	链完整性不可验证，弱于 Step1-4/FTO	补 verify 全链校验，纳入门禁	P2
B14	cias elements_cn.json:20	费用争议未实现（E6 损害与因果可选且排除判定，无法率/损害计算）	第七业务线空白，飞轮覆盖面缺一	绿地建设费率/损害计算引擎后接入	P2
B15	design-patent path_a.py:627 / path_b.py:128	WEIGHTS、_grade（:655）、est_risk_drop 硬编码	评分策略不可进化，策略飞轮无抓手	纳入 RSI 热配置，沙盒回归后 A/B 晋升	P2
B16	design-patent path_b.py:171	回归 _remeasure 仅 mock，非真实复测	规避设计效果不可验证，晋升门禁失真	接真实复测管线，回归集入黄金集	P2
B17	legal-cases case_store.py:46	BM25 纯 Python bigram 演示级；无 LeCaRD/黄金集/Recall/nDCG 代码	检索质量不可度量，离线提升无法证伪	接真实 BM25/ES，建 LeCaRD 黄金集与 nDCG 评估	P2
B18	workdsh app/rsi/	rsi_knowledge 存而不用、token_cost 硬编码 900、A/B 仅提示层	策略飞轮空转成本，门禁失真	接 KG ErrorPattern 驱动优化、真实成本计量、多层 A/B	P2
B19	Step1-4 i18n.py:732 / memory.py	解释卡 calibration 为演示数据；mem0 记忆为文本摘要非结构化图谱	校准失真，记忆无法跨事务推理	真实校准数据，记忆结构化入 KG	P2
B20	security-plane llm_gateway.py QuotaFuse	三层配额为进程内计数	多副本集群配额不一致，成本失控	换 Redis 原子计数，全月配额集群共享	P2

修复纪律：P0 四项是飞轮能否转起来的前置条件——信标通道（B1）与质量门禁（B2/B3）不修，采集到的就是断腿且失真的数据；SSRF（B4）不修则违反平台安全不变量。P1 七项决定燃料供给，须在试点业务线上线前完成，否则飞轮空转。所有修复遵循「联邦而非重建」：保留原引擎逻辑，仅以旁路钩子增采集、以扩列增隔离、以热配置增可进化性，不推翻已验证的比对/检索/RSI 引擎。

附录 C 仓库专属采集钩子代码示例

本附录给出四个最具代表性仓库的旁路采集钩子可运行级示例，与第十五章通用 SDK 配套。所有钩子遵循同一纪律：保留原有业务逻辑不变，仅在写入后追加一次 FlywheelEvent 发射；before/after 差分对是知识飞轮最高价值的燃料；user_id 必须是真实用户（拒绝占位，对齐 legal-cases RESERVED_USERS 与安全平面归属校验）；confidence_hint 按信号强度给出起步置信（人工锁定 1.0、人工改判 0.95、采纳 0.80），最终等级由第六章置信度引擎累积裁决。代码中 Emitter/FlywheelEvent 来自第十五章 lawsight_flywheel SDK。

C.1 FTO override_risk：捕获改判前值（修复 B5）

# lawsight-fto/server/app/dialog.py — override_risk 旁路采集
# 原代码（:370）原地覆盖 overall_level（:378）+ reviewer_override 字符串（:379），前值丢失。
# 本钩子保留原覆盖逻辑，仅在写入后发射 before/after 差分对。
from lawsight_flywheel import FlywheelEvent, Emitter
_emitter = Emitter.from_env()   # 双通道: Redis Stream wf:flywheel_events + jsonl 信标
def override_risk(task_id: str, pn: str, new_level: str,
                  reason: str, user_id: str) -> dict:
    state = store.load_state(task_id)
    before = state["patents"][pn]["overall_level"]   # 关键: 先取改判前值
    # —— 原有覆盖逻辑保持不变 ——
    state["patents"][pn]["overall_level"] = new_level
    state["patents"][pn]["reviewer_override"] = reason
    store.save_state(task_id, state)
    # —— 新增: 把差分对沉淀为飞轮事件 ——
    _emitter.emit(FlywheelEvent(
        event_type="risk.override",
        repo="lawsight-fto", task_id=task_id,
        tenant_id=state["tenant_id"], user_id=user_id,  # V3 真实用户归属
        payload={"patent_number": pn, "before": before,
                 "after": new_level, "reason": reason},
        confidence_hint=0.95,          # 人工改判 L2 起步，可升 L3
    ))
    return {"ok": True, "before": before, "after": new_level}

C.2 cias pin_element：锁定差分对与满置信（关联 B8）

# copyright-detective/cias/backend/main.py — pin_element 旁路采集
# 原代码（:530）置 confidence=1.0 并写 pin_backup（:506）供 unpin 还原，审计
# element_pinned（:565）。
# 人工锁定是最高强度信号，confidence_hint=1.0 直接成为 L4 先例锚定候选。
from lawsight_flywheel import FlywheelEvent, Emitter
_emitter = Emitter.from_env()
def pin_element(case_id: str, element_id: str, user_id: str) -> dict:
    case = store.load_case(case_id)
    el = case["elements"][element_id]
    before = {"status": el["status"], "confidence": el.get("confidence")}
    case["pin_backup"][element_id] = before     # 原有: 备份以便 unpin 还原
    el["status"] = "pinned"
    el["confidence"] = 1.0                      # 原有: 人工锁定满置信
    store.save_case(case_id, case)
    store.audit(case_id, "element_pinned", {"element_id": element_id})
    _emitter.emit(FlywheelEvent(
        event_type="element.pin", repo="cias", task_id=case_id,
        tenant_id=case["tenant_id"], user_id=user_id,
        payload={"element_id": element_id, "before": before,
                 "after": {"status": "pinned", "confidence": 1.0}},
        confidence_hint=1.0,           # 人工锁定 → L4 候选（仍须校验器）
    ))
    return {"ok": True}

C.3 design-patent review：verdict 与 decision 沉淀（修复 B7）

# lawsight-design-patent/lawsight/backend/routes.py — review 旁路采集
# 原代码（:221）把 ReviewRequest（schemas.py:142，verdict + 5 类 decision）
# 追加到 state.reviews（:226）。
# 本钩子保留原逻辑，把 verdict/decision 映射为图关系候选并发射。
from lawsight_flywheel import FlywheelEvent, Emitter
_emitter = Emitter.from_env()
@router.post("/cases/{case_id}/review")
def review(case_id: str, req: ReviewRequest,
           user=Depends(require_user)):
    state = store.load_state(case_id)            # 原有逻辑保持不变
    state["reviews"].append(req.model_dump())    # 原有逻辑保持不变
    store.save_state(case_id, state)
    # 新增: accept → 采纳边候选；reject/correct → 改判边候选
    _emitter.emit(FlywheelEvent(
        event_type="design.review", repo="lawsight-design-patent",
        task_id=case_id, tenant_id=user.tenant_id,
        user_id=user.user_id,
        payload={"target": req.target, "verdict": req.verdict,
                 "decision": req.decision, "comment": req.comment},
        confidence_hint=0.80 if req.verdict == "accept" else 0.95,
    ))
    return {"ok": True}

C.4 legal-cases：新增采纳/修正/否决端点（修复 B6，绿地）

# lawsight-legal-cases/backend/routes.py — 原仅设计、代码缺失，本端点为绿地新增
# 复用 _require_user（:27，空/占位 400、归属不符 403）保证真实用户归属。
from lawsight_flywheel import FlywheelEvent, Emitter
_emitter = Emitter.from_env()
_HINT = {"adopt": 0.80, "correct": 0.95, "reject": 0.50}
@router.post("//tasks/{task_id}/citations/{cite_id}/feedback")
def citation_feedback(task_id: str, cite_id: str, action: str,
                      corrected_text: str = "",
                      user=Depends(_require_user)):
    assert action in _HINT
    task = store.load_task(task_id)
    cite = task["citations"][cite_id]
    before = cite["text"]
    if action == "correct":
        cite["text"] = corrected_text
        cite["lawyer_written"] = True        # 对齐 Step1-4 edit_lineage 语义
    cite["adoption"] = action
    store.save_task(task_id, task)
    _emitter.emit(FlywheelEvent(
        event_type="citation.feedback", repo="lawsight-legal-cases",
        task_id=task_id, tenant_id=user.tenant_id,
        user_id=user.user_id,
        payload={"cite_id": cite_id, "case_number": cite["case_number"],
                 "action": action, "before": before, "after": cite["text"]},
        confidence_hint=_HINT[action],
    ))
    return {"ok": True}

C.5 统一旁路装配：一行接入（继承安全平面 install 模式）

# 任一仓库 main.py — 一行装配飞轮采集，零侵入业务引擎
from lawsight_flywheel import bootstrap
bootstrap.install(app, repo="lawsight-fto")
# install 内部（对齐 security-plane bootstrap.install:14 与 repos._child_env:401）：
# 1. 读取 LAWSIGHT_* 存储/Redis 环境变量（复用运营中心透传的 16 个存储变量）
# 2. 构造 Emitter: Redis Stream wf:flywheel_events + jsonl 信标双通道，event_id 幂等
# 3. 注册 G0 中间件之后的归属校验: 拒绝占位 user_id（对齐 RESERVED_USERS:50）
# 4. 信标 POST /api/security/beacon/events（X-Beacon-Secret 恒时比较，先修复 B1）
# 5. 新建 lawsight_flywheel 库 / ObjectStore(prefix=flywheel) / VectorStore(flywheel_kg)
# 装配后，C.1—C.4 的钩子即可把异构信号归一为 FlywheelEvent 汇入飞轮平面。