用知识图谱把18万字的小说量化成可验证事实，这思路很有意思。

我最近在看 SynapTale 处理《Oz》系列小说的案例，它不是简单的文本可视化，而是把故事构建成了一个“时间知识图谱”（Temporal Knowledge Graph）。最硬核的地方在于它解决了 LLM 处理长文本时最头疼的“状态一致性”问题。

很多大模型在处理长篇小说时，读到后面就忘了前面的伏笔，但这个系统通过在每个章节创建快照，能精准地在第100章记得第8章的一个承诺。

从技术实现上看，它避开了直接让 LLM 提取关系的坑（因为 LLM 极其容易在提取时随意发明字段或产生同义词混乱），而是采用了这种工作流：

一、本体扫描 (Ontology Scan)
在正式提取前，先对全书进行预扫描，定义好故事特有的实体类型、边类型及其描述，强行统一标准。

二、多 Agent 流水线
采用了五路并行管线：预扫描 → 本体构建 → 逐章提取 → 跨章节回顾验证 → 语言特征扫描。

三、时间维度的边定义
为了处理关系演变，它把“边”分成了三种类型，而不是简单的布尔值：

• Event： 瞬间动作（绝大多数边属于此类，随章节结束而终止）。
• Identity： 事实性状态。
• State： 持久性动作（必须有明确的终止理由和原文引用才能关闭）。

这种设计让系统在处理海量数据时，只有少量的 State 和 Identity 边处于激活状态，极大地降低了计算开销。

另外它还引入了“认识论节点 (Epistemic Nodes)”来处理信息差，尝试记录不同角色对同一个事实的不同认知，这在处理复杂叙事时比传统的三元组要高级得多。

虽然这种方案部署成本高，但对于需要极高事实准确度的长文本分析场景，这种“本体扫描 + 时间快照”的实战路径比单纯堆 Context Window 要可靠得多。