自适应协作图
协作图把智能体放置在六边形晶格上，支持路由、负载、自组织与根因分析。
1. 六边形拓扑
六边形密铺天然具有均匀邻接结构。hex_points(radius) 生成晶格位置：
| radius | 位置数 |
|---|---|
| 0 | 1 |
| 1 | 7 |
| 2 | 19（默认） |
默认取前 17 个位置作为图节点。相邻节点间建立几何边，作为基础权重。
2. 核心能力
| 方法 | 作用 |
|---|---|
shortest_path(a, b) |
Dijkstra 最短路，先验流边作为引导 |
apply_load({node: load}) |
施加负载（裁剪到 0–1） |
fan_in(node) |
入边数量 |
bottleneck() |
fan-in 最大且负载最高的节点 |
detect_cycles() |
反馈环检测（六边形天然含环） |
hebbian_step(active) |
共激活节点强化共享边 |
self_organize() |
状态余弦相似的节点生长弱连接 |
root_cause() |
从瓶颈反向追溯最重入边 |
edge_list() |
全部正权重边 |
3. 赫布学习
每轮：所有边全局衰减（decay = 0.99）
共激活节点 i, j：w_ij += lr（lr = 0.12），权重对称，裁剪到上限
"共同激活的连接被强化"，频繁协作的节点形成稳定通路。
4. 自组织
状态向量余弦相似度超过阈值（默认 0.8）且当前无连接的节点，建立弱连接（0.2）， 模拟相似节点自发聚集。
5. 根因分析
从瓶颈节点出发，沿入边反向追溯负载与权重最高的上游，形成可解释的因果链。
6. 关于环
六边形密铺天然包含大量环，detect_cycles 报告这些环是几何特性，不是缺陷。环在
反馈系统中可用于识别循环依赖。
7. 用法
from holoaeon.graph import AdaptiveGraph
g = AdaptiveGraph(flow_edges=[(0, 1), (1, 2)])
path, dist = g.shortest_path(0, 2)
g.hebbian_step([0, 1])
print(g.bottleneck(), g.root_cause())