VRKG · RedAgentTeamWiki。Verifiable Retrieval Knowledge Graph · 验证锚定检索知识图谱

用大模型干活，有两个老毛病：一本正经地编（幻觉），和同样的东西每问一次都要重新花钱（token 浪费）。常见的 RAG 做法是“临时翻资料塞给模型”，快是快，但资料过没过期、对不对，它不管。

VRKG 反过来：每条知识入库前都要人工把关，并且随身带着“怎么验证我”的命令。打个比方——不是给模型一摞复印件，而是给它一本每页都盖了章、写明出处、还能随时回原件核对的账本。

• Gene（知识基因）：一条事实，原文照录，附出处链接、可执行的验证命令、可信度分数（0–1）和证据等级。
• Capsule（知识胶囊）：一套“遇到什么情况就怎么做”的步骤，每一步都带命令和预期结果。
• 检索：先按关键词筛，再按可信度过滤，每个回答都附上它来自哪条 Gene。
• 防过期：定时重跑验证命令，结果对不上就标出来等人复查。

做成的产品：RedAgentTeamWiki。这套方法不是纸上谈兵——它就是 Red Agent Team 团队总知识库的底子，论文 §5.1 写明自 2026-04 起在生产环境长期使用，每次干正经活都先查它。到 2026-10-07 盘点时，库里有 2019 个 Genes、1828 个 Capsules，外加 573+ 份原始抓取（RedAgentTeamWiki + githubwiki，上海共 5.2G）。知识库本身是团队内部系统，不对外开放；方法和格式规范在下面的开源仓库里。

论文也写明了局限：每条知识都要人工整理，成本高；目前的流程只适合小团队；做不到实时更新。

• 生产环境中管理 3,800+ 个知识单元（论文 §5.1）
• 与引入 VRKG 前相比，大模型查询的 token 消耗约降 90%（论文 §5.1）
• 单次查询约 50–100 token，对照组 RAG 为 500–2,000（论文 §4 对比表）

以上均为论文自报数据（作者团队自测），不是第三方评测结果。