feat(knowledge-graph): 引入实体抽取密度上限与类型纠偏防御层

[ThreeFish-AI]

背景

• 本次变更要解决的问题：构建 Harness Engineering 语料图谱时暴露两类 LLM 抽取质量缺陷——chunk 6（1137 字符）产出 16 实体 / 15 关系（过度抽取，密度约 71 字符/实体），且 `Claude`（AI 产品）被分类为 `person`。这些假阳实体会污染下游 entity_resolver → community_summarizer → context_builder 整条链路，且现有噪声过滤与置信度阈值无法解决类型层的错误。
• 关联上下文/Issue/文档：延续 feat(knowledge-graph): 新增 Model Settings 面板，支持按语料库配置 LLM / Embedding 模型 #532（按语料库配置 LLM/Embedding 模型）后续质量调优。设计参考 Martinez-Rodriguez 等（Semantic Web J., 2018）的 Schema-Guided Extraction 范式，以及 Neo4j LLM-Graph-Builder 的 schema-first 默认设计。

核心变更

• Prompt 工程：实体抽取 Prompt 增加密度引导（每 200 字符约 1 个核心实体）、AI 产品/机构 vs 真人名的分类引导与正反例、Chain-of-Thought 推理步骤；关系抽取 Prompt 增加 `⌈|E|×1.2⌉` 上限避免组合配对爆炸。
• 后置校验防御层（新增 `extraction_validator.py`）：white-list 覆盖 LLM 错判（`Claude/person → product`）、AI 产品 regex 兜底未列型号变体（`Claude 3.7 Sonnet` 等）、按 `max(3, chunk_len // 200)` 的密度截断（按 confidence 降序保留）。被纠偏的实体在 metadata 标记 `type_override_source` 与 `original_type` 以支持审计回滚。
• 数据 SSOT（新增 `known_entities.yml`）：维护 AI 产品 / 机构白名单（Claude / GPT-4 / Anthropic / OpenAI 等），代码不再硬编码；后续仅需追加 YAML 条目。
• 可观测性：`KgBuildMetrics` 扩展 `over_extraction_chunks` / `type_override_count` / `entity_density_p95` 三个观测字段；service 层每 chunk 抽取后聚合，触发密度截断或类型改判时 WARN 日志。
• 接口契约：`LLMEntityExtractor.extract` / `CompositeEntityExtractor.extract` 增加 keyword-only `stats_out: ChunkExtractionStats | None` 参数，向后兼容，仅 service 调用方主动传入。

风险与回滚

• 主要风险：① 白名单不全导致漏判（缓解：保留 `original_type` metadata，可审计后补录）；② 密度上限对术语极密集 chunk 误伤（缓解：`max(3, …)` 下界 + 命中时 WARN，可按 corpus 调整 `DENSITY_CHARS_PER_ENTITY`）；③ Prompt 增量约 30 行 → token 成本上升 < 5%。
• 回滚方式：单 commit `8b0cbddb` 完整覆盖六个文件，`git revert` 即可恢复；改动均为新 build 增量生效，不影响历史构建产物。

验证证据

• 单元测试：新增 21 项单测覆盖白名单加载、类型重判（含 chunk 6 复现 `16 → 5`）、密度截断、边界与 `_parse_entity_response` 端到端集成。`uv run pytest tests/unit_tests/knowledge/test_extraction_validator.py` 全绿。
• 集成测试：`uv run pytest tests/unit_tests/knowledge/` 全量 784 通过 / 0 回归（唯一失败 `test_extraction_llm_plan.py` 经 `git stash` 验证为 pre-existing，与本 PR 无关）。
• E2E/Workflow：待此 PR 合入后在 Harness Engineering corpus 上重新构建，对照 `over_extraction_chunks` / `type_override_count` / `entity_density_p95` 字段验证效果。
• 覆盖率：`extraction_validator.py` 单测覆盖率 97%。

影响范围

• 前端：无。
• 后端：`apps/negentropy/src/negentropy/knowledge/graph/` 下 extractors / metrics / service 三处改动 + validator / known_entities 两处新增。仅作用于 LLM 抽取路径，fallback（regex / cooccurrence）路径不受影响。
• GitHub Actions / 文档：无配置变更；ruff lint / format pre-commit hook 全过。

Next Best Action

• 合入后在 Harness Engineering corpus 触发一次重新构建，抽样 5-10 个 `product` 类型节点人工核验命名合理性；若出现新误判 case，仅需追加 `known_entities.yml` 即可，无需改代码。
• 后续可在 `extraction_schema.py` 注册 `HARNESS_ENGINEERING_SCHEMA` 作为独立 PR，把领域感知 schema 与本次的通用纠偏分层解耦。