无限长记忆，超越TopK召回！自研 PEDSA (并行能量衰减扩散激活) 算法，首个将“扩散激活”概念工程化的仿生记忆引擎，1ms 穿透亿级逻辑

🚀 引言：RAG 的终局，是仿生记忆？

在 LLM 应用爆发的今天，RAG（检索增强生成）已成为标配。但开发者们总会撞上几面墙：

1. 上下文窗口限制：即便有 128k 窗口，长程关联依然容易丢失。
2. 语义孤岛：RAG向量检索只能找到“长得像”的片段，却无法连接“有逻辑”的线索。
3. 性能瓶颈：面对百万级往上的数据，传统向量搜索的召回质量和延迟难以平衡。

2026 年 1 月 4 日，PeroCore 正式发布。这不是又一个向量数据库封装，而是一个世界首创的工程级扩散激活（Spreading Activation）记忆引擎。

🧠 核心黑科技：PEDSA 算法

我们自研了 PEDSA (Parallel Energy-Decay Spreading Activation) 算法，其核心思想源于认知心理学：人类记忆是通过神经元间的能量扩散来联想的。

1. 逻辑穿透：告别单纯的向量匹配

传统的向量检索是“点对点”的，而 KDN (Knowledge Diffusion Network) 是“网状”的。当一个节点被激活，能量会沿着逻辑边（时间、因果、属性）扩散。

• 案例：在 HotpotQA 测试中，面对“Scott Derrickson 和 Ed Wood 国籍是否相同？”这种多跳问题，KDN 能在 1.58ms 内通过图拓扑找到共同的 American 节点，实现“逻辑穿透”。
• 详见：hotpotqa_results.md

2. 极致工程：Rust + CSR 存储布局

为了将学术概念工程化，我们选择了 Rust 语言，并设计了极致的 CSR (Compressed Sparse Row) 存储布局，实现了并行化的能量扩散。

• 万亿级节点模拟：单步扩散延迟仅为 0.96ms。
• 内存优化：相比传统图数据库，内存占用降低了 10 倍以上。

📊 硬核数据：1ms 的逻辑奇迹

在我们的 PEROCORE_FULL_BENCHMARK_REPORT.md 中，记录了以下震撼数据：

特别说明：我们在 HotpotQA 上的 30% 精度是在 Zero NLU (零语义理解) 条件下达成的。这意味着我们不需要昂贵的 GPU 读文字，仅靠图的拓扑结构就抓住了逻辑核心。

🔬 算法拆解：从图论看扩散激活 (Deep Dive into KDN)

KDN 的核心可以被理解为一个在复杂异构图上的动态能量演化系统。

1. 拓扑结构 (Graph Topology)

• 节点 (Nodes): 代表实体、概念或具体的原子记忆片段。
• 逻辑边 (Edges): 代表多维度的关联（如因果 Causes、归属 PartOf、时间 After）。每条边都携带一个基于强度的 权重系数 (Weight)。

2. 演化逻辑 (Evolution Logic)

当一个查询进入系统时，逻辑扩散遵循以下直观流程：

[ 用户查询 (User Query) ]
      |
      +----(初始激活)----> [ 概念 A ] ----(能量扩散)----+
      |                                              |
      +----(初始激活)----> [ 概念 B ] ----(能量扩散)----> [ 逻辑交汇点 (Junction) ]
                                                     |
                                                     +----(多跳路径)----> [ 目标事实 (Target) ]
                                                     |
                                                     +----(能量衰减)----> [ 噪音节点 (Noise) ]

• 并行扩散 (Parallel Diffusion): 能量从初始节点（Concept A/B）出发，沿边传播。能量流动的过程即是“联想”的过程。
• 能量汇聚 (Convergence): 当两条或多条逻辑路径在某个中间节点（Logic Junction）汇聚时，该节点的激活值会非线性增长。这解释了为什么 KDN 能解决多跳推理：它在寻找逻辑的“交汇点”。
• 动态衰减 (Decay): 随着扩散层数增加，能量自然衰减。这保证了系统在亿级节点下依然能迅速塌缩到稳定态，不会产生逻辑震荡。

3. 实战案例：HotpotQA 的多跳突破

在面对“Scott Derrickson 和 Ed Wood 国籍是否相同？”这种问题时：

1. 初始激活：Scott Derrickson 和 Ed Wood 两个节点被同时点亮。
2. 逻辑扩散：能量沿“职业”、“传记”等边扩散。
3. 汇聚点定位：能量最终在 American (国籍) 节点汇聚，激活值达到峰值。
4. 结果输出：KDN 在 1.58ms 内定位到该路径，耗时仅为传统 LLM 推理的千分之一。
   • 详见测试报告：hotpotqa_results.md

🛡️ 防御式设计：为什么我们不怕“精度质疑”？

有人可能会问：30% 的精度够吗？

我们的回答是：KDN 是 LLM 的“逻辑雷达”，而非“复述插件”。

• 雷达 vs 飞行员：雷达负责在万亿级迷宫中瞬间定位，飞行员（LLM）负责最后的一公分降落。
• 延迟即生命：在桌面助手等实时场景，1.58ms 的响应速度让系统可以进行高频次的逻辑试错，这是传统慢速 RAG 无法企及的。

🌐 愿景：构建 LLM 的“数字大脑皮层”

PeroCore 的目标不仅是存储，而是进化。我们的 Roadmap 中包含了：

• 双层 KDN 架构：事实层（原子记忆）+ 模式层（抽象情感与通感）。
• L5 级特征融合：将时间、空间、情感多维度加权，真正模拟人类记忆。

🔗 开源与加入

我们相信，未来的 AI 应该是“有温度”的。PeroCore 现已开源核心性能指标与部分逻辑架构。

欢迎交流！如果你也对“扩散激活”、“仿生记忆”或“高性能 Rust 引擎”感兴趣，请在评论区或者Github Issues留下你的看法！

• 项目主页：PeroCore