M-flow предлагает заменить классический векторный поиск на поиск по графу с оценкой стоимости пути, что позволяет находить релевантные логические цепочки, а не просто похожие фрагменты. Это улучшает качество контекста и уменьшает шум в ответах AI.
M-flow: когда граф — это не структура, а движок поиска
полный разбор ролика · 5 глав ↓
Введение и проблема
M-flow — движок когнитивной памяти на Python, который предлагает заменить стандартный векторный поиск на поиск по графу с оценкой стоимости пути.
Разница между сходством (семантической близостью) и релевантностью (логической связью) — ключ к пониманию проблемы поиска.
Недостатки векторного поиска
Векторный поиск игнорирует структуру знаний, не связывает фрагменты и плохо работает с деталями.
Он даёт либо слишком общие, либо разрозненные ответы, не умея строить мосты между разными контекстами.
Топология перевёрнутого конуса
Знания организованы в граф перевёрнутого конуса: атомарные факты внизу, затем сущности, темы и эпизоды сверху.
Запрос цепляется за узкий факт и поднимается вверх, собирая полный релевантный контекст.
Оценка путей вместо сходства
Поиск оценивает стоимость логической цепочки, а не усредняет косинусное сходство.
Рёбра графа с естественными описаниями служат фильтрами, отсекая нерелевантные связи и уменьшая шум.
Интеграция и запуск
Архитектура разворачивается через сервер MCP с готовыми компонентами и UI для визуализации.
Установка через клонирование репозитория, настройку переменных и запуск Docker Compose — достаточно просто.