| # 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 | |
| ```python | |
| 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()) | |
| ``` | |