米塞斯行为引擎 - 模型架构文档

📦 模型概览

🧠 核心模型（TITANS+MIRAS）

核心模型配置（目标）：

input_dim: 384        # 匹配 sentence-transformers 输出
memory_dim: 512       # 记忆向量维度
num_memory_slots: 1024 # 记忆槽数量
num_retrieval_steps: 3 # MIRAS 检索步数

👨‍💼 专家特定模型（完整架构）

🤖 动态创建的专家（轻量级架构）

📚 内置专家（无需独立模型）

使用核心 TITANS 模型 + 内置知识库：

• 手工面包大师
• 美国饮食文化专家
• 日本饮食文化专家
• 现代主义烹饪专家
• 味觉鉴赏专家
• 健身教练
• 逻辑导师
• 英语口语教练
• 体检诊断顾问
• 维特根斯坦哲学
• 老年医学顾问

🔄 模型类型对比

专家特定模型 vs 动态专家

为什么动态专家使用轻量级架构？

1. 速度考虑

完整模型训练：数小时（CPU）
轻量级训练：几分钟

用户上传 PDF 后希望快速使用，而非等待数小时。

2. 资源考虑

完整模型：161MB × 12 = 1.9GB
轻量级：5.1MB × 12 = 61MB

3. 实际效果

• 动态专家主要依靠 RAG 检索（从 PDF 找答案）
• 轻量级模型足以做 查询增强 和 相关性排序
• 完整模型更适合需要 深度推理 的复杂领域

🔧 模型训练与更新

何时需要重新训练？

核心模型架构变化时的更新流程

1. 重新训练核心 TITANS+MIRAS 模型
   ↓
2. 重新生成内置专家的嵌入缓存（自动，几分钟）
   ↓
3. 重新训练专家特定模型（每个约30-60分钟）
   ↓
4. 重新训练动态专家（可选，批量处理）

日常操作流程

添加新专家或上传 PDF：

上传 PDF → 文本提取 → 分块 → 生成嵌入 → TITANS增强（自动） → 保存缓存

这个过程是自动的，不需要重新训练模型。

📊 模型存储位置

training/checkpoints/
├── titans_miras_inference.pt      # 核心推理模型
├── titans_miras_final.pt          # 核心完整模型
├── titans_miras_epoch_50.pt       # 核心检查点
├── civil_lawyer_*.pt              # 民事律师专家模型
├── securities_lawyer_*.pt         # 证券律师专家模型
├── sdi_expert_*.pt                # 系统设计专家模型
└── experts/
    ├── bread_master_*.pt          # 面包大师
    └── expert_dynamic_*_trained.pt # 动态专家模型

🚀 升级动态专家为完整模型

如果某个动态专家使用频繁、需要更高质量，可以升级：

# 将动态专家升级为完整训练
python scripts/upgrade_expert.py --expert-id dynamic_f7cdefb77b24 --full-training

升级过程：

1. 使用 PDF 生成更多合成数据
2. 使用完整 TITANS+MIRAS 架构训练
3. 产出 161MB 的专家特定模型

📈 模型统计

总计：27个专家能力，模型总大小约 620MB

文档更新时间：2026-01-18