Kihagyás

Top-K cross-source corroboration ranking#

TL;DR#

A KO-DB Top-K ranking NEM csak frekvencia — több source-on át (session/wiki/adr) több source_file-ban szerepelő subject pontosabb jel a tényre, mint egyetlen high-confidence állítás. Ez a vault-ko-query --top-k N mögötti mechanizmus, és a layered-eval-cascading-pattern cross-source-corroboration layer-jének alapja. Cross-source: 20+ fact, 3 source-type.

Háttér (3+ source-evidence)#

  • vault-ko-query --top-k implementation: Top-K subject ranking source_count + max_confidence + fact_count kombináción, NEM csak hits (vault-ko-query --help output)
  • B-1 Week 3-4 KO-DB Top-K structured facts: 13K+ fact, cross-source-corroboration ranking, instant SQLite — a load-session-context skill alapja (CLAUDE.md, SV B-1 pipeline)
  • bge-m3 Top-K=3 retriever: SV-1 memory architecture-ben Top-K=3 az episodic memory default (sv-1 memory architecture ADR)
  • Tool Search Index Top-K=3: SV-4 tool composition-ben tool-routing-ra Top-K=3 (sv-4 tool composition ADR)
  • Karpathy LLM-wiki minta: Classical RAG = query embed → search top-k chunks → answer (Karpathy-LLM-Wiki-pattern)
  • Semantic bridge: vault-ko-query --top-k N --semantic → Memgraph bge-m3 → KO-DB LIKE bridge (SV B-2 pipeline CLAUDE.md)

Mintázat#

query ─┬─> KO-DB LIKE pre-filter (substring on subject)
       ├─> group by subject
       ├─> compute score = source_count*10 + min(per_type_count)*5 + total_facts
       ├─> sort desc by score
       └─> return top-K subjects with N representative facts

Architektúrális szabályok:

  1. Cross-source first — 1 fact 3 source-on > 5 fact 1 source-on (kevésbé bias-elt)
  2. Per-source-type bucket-count — (s=3, w=3, a=3) > (s=9, w=0, a=0) (típus-diverzitás)
  3. max_confidence mint tie-breaker — egyenlő source-count esetén
  4. Facts-per-subject default 3 — túl sok fact ugyanarra a subject-re zaj-növelő, top-K-t felzabálja

Anti-pattern: "session-noise"#

Ha csak session/ source-okból jön egy pattern, az NEM crystal-ready — lehet egy-két session-specifikus megfigyelés. Auto-prop küszöb: legalább 2 source_type (wiki+session vagy adr+session) — különben még kandidát, nem evergreen.

# decision rule example
def is_crystal_ready(subj):
    return (subj['types'] >= 2  # 2+ source_type
            and subj['source_count'] >= 3  # 3+ source_file
            and subj['max_confidence'] >= 0.85)

Buktatók#

  • ⚠️ Predicate-dump (19.8%) — generikus has_value predicate dominálja a fact-okat, top-K elferdül; fix ../06-Audits/2026-05-17 B-2 Week 3 acceptance gate readout szerint per-predicate bontás
  • ⚠️ Substring-match false-positive — "warm" matchel warmstart-ra is; fix word-boundary regex vagy entity-id match
  • ⚠️ Chunk-count metric pitfall — chunk-szám ≠ vault-coverage; per-source-type bontás kötelező (MEMORY chunk-count metric pitfall)
  • ⚠️ Semantic bridge fallback — Memgraph down → LIKE-fallback automatikus, de a recall csökken; monitor vault-embed-freshness-szel

Mikor használd#

Use case Top-K strategy
load-session-context Top-K=20 subject + 3 fact/subject
Wiki-gap analysis (jelen feladat) Top-K=30 per-token, group by entity
Crystallization decision Top-K=5 subject + cross-source-count gate
Tool-routing Top-K=3 (bge-m3 cosine)
Episodic memory recall Top-K=3 (working+top-K)

Kapcsolódó#