人工智能RAGAgent 记忆MCP 服务知识管理【免费下载链接】gbrainGarrys Opinionated OpenClaw/Hermes Agent Brain项目地址https://gitcode.com/gh_mirrors/gb/gbrain点击查看免费下载本指南讲解 gbrain 中idea-lineage技能的设计与用法如何从大脑的笔记、对话、文章与会议记录中重建某一个想法idea的完整演化路径——首次出现、最佳表述、反复与矛盾、被放弃的分支以及当前仍活跃的版本。读完本文你将掌握该技能的适用范围与边界、五阶段执行流程、标准输出格式与质量规则并能结合仓库源码理解search、query、get_page、takes_search、find_contradictions、find_trajectory等底层操作在谱系重建中各自扮演的角色。这个技能解决什么问题大脑中沉淀的信息越多越难回答一个看似简单的问题我对某件事的想法是怎么一步步变成现在这样的 用户通常想知道这个想法最早出现在什么时候它是在什么时刻变得清晰、完整的它取代了什么旧观点和哪些别的想法冲突过哪些变体出现过又消失了现在仍然活着的版本是什么idea-lineage正是为这一类单想法single-idea概念谱系问题而生的技能它的定位明确区别于另外两条路构建整个概念图谱那是concept-synthesis的职责以及绘制某个实体的指标轨迹那是find_trajectory的职责。典型触发语句来自 SKILL.md 的 triggers 与 canonical examplesRun idea lineage on founder-led sales.How has my thinking about compounding trust changed?What is my current version of this idea?Where did this idea come from, and what did I abandon along the way?Show reversals in my thinking about ...技能的 frontmatter 中还声明了六个只读工具search、query、get_page、list_pages、takes_search、find_contradictions、find_trajectory并标记mutating: false——默认模式下它绝不改写大脑中的任何页面。定位边界它不是什么技能文档用一个专门的 What this is not 章节来划清边界避免与相邻能力混淆相邻能力区别concept-synthesis该技能负责去重大量概念 stub、分级、撰写概念页、构建宏观知识地图是批量改写型技能mutating: true写入concepts/而 idea-lineage 只服务单一想法且默认只读find_trajectory该操作按实体绘制类型化事实或事件行的时间线MRR、角色、地点、状态等结构化指标不处理概念演化矛盾探针运行器idea-lineage 只读取已缓存的矛盾发现cached contradiction findings不会主动发起昂贵的探针扫描写作模式默认不是写作模式除非用户明确要求保存一份谱系页面作为产物否则只给出只读答案对照仓库中的 concept-synthesis/SKILL.md 可以看到另一侧的分工它从 signal-detector、idea-ingest、voice-note-ingest 等摄入管道产生的大量概念 stub 出发经过 Jaccard 去重、子串去重、语义去重、打分分级T1 Canon 到 T4 Riff、LLM 综合等阶段把数千个原始概念页收敛成一张策展过的知识地图。一句话概括concept-synthesis 做广与合idea-lineage 做单与沿。契约技能保证什么idea-lineage在执行前承诺以下契约Contract 章节保持单一想法范围。宽泛的语料扫描或 map my concepts 类请求必须路由给concept-synthesis而不是本技能。每条谱系结论都引用现存大脑证据页面 slug、存在时的 source id、日期、以及短引文或片段。缺失的证据标注为 gap证据缺口绝不编造貌似合理的故事去填补。矛盾、反转、被放弃的分支与正常的时间演化严格分离。默认只读不修改大脑页面。仓库中还有一组路由测试样例 routing-eval.jsonl恰好印证了这些契约的可测试性{intent:Run idea lineage on founder-led sales and show the earliest version,expected_skill:idea-lineage} {intent:Show how my thinking about compounding trust changed over time,expected_skill:idea-lineage} {intent:What is my current version of the invisible college idea?,expected_skill:idea-lineage} {intent:Where did this idea come from in my notes, and what did I abandon?,expected_skill:idea-lineage} {intent:Show reversals in my thinking about founder-led sales,expected_skill:idea-lineage} {intent:How has acme-example MRR trended since January?,expected_skill:null} {intent:Build my intellectual map across all my recurring frameworks,expected_skill:concept-synthesis}注意负例How has acme-example MRR trended since January?的期望技能为null——这是结构化指标轨迹问题应走find_trajectory而非谱系而 Build my intellectual map 明确路由给concept-synthesis。这些样例可以作为评估路由正确性的基准夹具。五阶段执行流程技能的执行被组织为五个阶段从解析目标到给出可操作的后续建议。Phase 1解析想法目标Resolve the idea target用一句话重述这个想法。用search搜索精确短语的各种变体。对自然语言版本运行一次语义query。当想法有显而易见的概念 slug 或标题时用list_pages检查概念页。如果结果指向实体/指标/状态轨迹而不是概念则移交给find_trajectory或常规的 query/think 轨迹路径。多义消歧如果多个不同的想法共用同一个短语必须先请用户选择意图再开始综合。这是防止谱系串线的关键闸门。Phase 2收集证据Gather evidence围绕每个输出桶output bucket收集足以支持或否决的证据带日期和 source slug 的搜索分块chunks。通过get_page获取最相关概念页、笔记、转录、会议、文章或项目页的完整内容。通过反向链接backlinks、relatedfrontmatter、或搜索结果中的反复共现发现相关概念页。当想法以信念、赌注、预感或被归属的声明形式出现时用takes_search检索 takes。当用户问到不一致、或搜索结果呈现明显冲突时用find_contradictions读取已缓存的矛盾发现。只有当证据呈实体/属性形态如与想法故事相关的角色/状态/指标演化时才使用find_trajectory。技能明确要求宁可要少量高质量来源也不要一长串未经整理的堆砌。当片段暗示存在谱系里程碑时应读取完整页面。Phase 3分类谱系时刻Classify lineage moments把证据归类到七个桶中这是整个技能的分析核心首次提及First mention——想法出现的最早带日期证据。最佳表述Best articulation——最清晰或最完整的表达不一定是时间上最新的。当前活版本Current live version——最近的高权威、且仍处于活跃状态的版本。反转Reversals——用户立场改变方向的地方。矛盾Contradictions——在同一时间或同一假设下无法同时为真的声明必须与合理的时间取代temporal supersession区分开。被放弃的分支Abandoned branches——出现后又消失、失去支持或被明确拒绝的有前途变体。相关概念Related concepts——塑造或继承了原想法一部分的邻近想法。当某个桶没有证据时必须写出 No clear evidence found并附上检查了什么、缺什么的一行说明而不是用叙事去填补。Phase 4综合谱系Synthesize the lineage按下方输出格式作答并且综合程度要与证据成比例。如果证据稀疏、杂乱或互相矛盾不要强行拟合出一条平滑的演化曲线——如实呈现混乱本身就是一种忠实。Phase 5建议可选的后续动作Suggest optional next action在答案末尾视情况提供一个具体跟进项将谱系保存为大脑页面仅当用户此前明确要求。如果用户真正想要的是整体概念图刷新建议运行宽范围的concept-synthesis。如果想法最终依赖结构化实体事实建议运行或查看轨迹数据。只有当缓存的矛盾发现不足以支撑结论、且用户明确想要更重的扫描时才建议运行矛盾探针。标准输出格式正常答案使用如下结构来自 SKILL.md 的 Output Format 章节## Current Live Version [1-3 sentences. Include confidence: high / medium / low.] ## Lineage - First mention: [date] - [claim] ([source-id:slug], short quote) - Best articulation: [date] - [claim] ([source-id:slug], short quote) - Turning point: [date] - [what changed] ([source-id:slug]) ## Reversals and Contradictions - Reversal: [what changed, with before/after evidence] - Contradiction: [what conflicts, or No clear evidence found] ## Abandoned Branches - [branch] - [why it appears abandoned, with evidence] ## Related Concepts - [concept slug or title] - [relationship] ## Evidence Gaps - [bucket or claim] - [what was checked and what is missing]对简短答案可以折叠部分小节但必须保持同样的区分first mention / best articulation / reversal / contradiction / abandoned branch 等类别不可合并丢失。每一条非 gap 结论都必须引用来源。输出格式的细节体现了技能的核心价值观Current Live Version需要显式给出置信度high / medium / lowEvidence Gaps是一个强制小节保证我不知道什么和我知道什么一样透明。质量规则与反模式质量规则Quality Rules引用首次提及或最佳表述时引用精确原文Quote exact text。来源有日期就带上日期没有日期就写 undated绝不猜测。用户本人的直接陈述是最高权威用于判断用户当前的立场。持有人归属的 takes 是该持有人的信念不自动等同于关于世界的、或关于大脑所有者的客观事实。当证据来自单一薄弱片段、无日期页面或模糊语义匹配时把置信度标为 low。当搜索或页面负载中包含 source id 时在引用中保留它。这套规则的底层依据可以在 docs/takes-vs-facts.md 中找到gbrain 有两层认识论存储——takes 是谁在什么置信权重下相信什么的冷存储多持有人kind 分为take/fact/bet/hunchfacts 是大脑所有者对话中实时捕获的热记忆event/preference/commitment/belief/fact/idea。谱系综合时绝不能坍缩这两层把某个持有人如people/alice-example的归属信念直接当作大脑所有者的事实来陈述正是该技能要避免的类别错误。此外conventions/quality.md 还定义了引文格式与来源优先级用户直接陈述 编译真理 时间线条目 外部来源技能文档首部的 Convention 提示也指向这份文件。反模式Anti-Patterns对单一想法问题运行concept-synthesis。把实体的 MRR、ARR、角色或状态轨迹当作概念谱系呈现却不解释二者的区别。把正常的时间演化误判为矛盾。因为故事会更有趣而凭空编造被放弃的分支。未经用户明确指示就保存或改写大脑页面。在捆绑的 fixtures 或文档中使用真实姓名、公司、基金或 fork 特有示例这也是本仓库测试夹具全部使用acme-example这类占位名的原因。底层操作与源码实现idea-lineage 依赖的六个工具中takes_search、find_contradictions、find_trajectory在仓库中都有可定位的 MCP 操作实现了解它们的参数与行为有助于在实战中精准调用。takes_search归属信念的关键词检索实现位于 src/core/ops/takes.tsconst takes_search: Operation。它基于pg_trgm 三元组相似度对 take 的 claim 文本做关键词搜索参数包括query必填匹配 take claim 文本的搜索词例如valuation caplimit最大结果数默认 30上限 100。它通过engine.searchTakes执行并带takesHoldersAllowList与readPolicyOpts做持有人与来源作用域过滤。在 idea-lineage 的 Phase 2 中当想法以信念/赌注/预感/被归属声明形态出现时takes_search是进入谁、何时、以多大权重相信什么这一层的入口。同文件的takes_list还支持按holderworld|garry|brain|slug、kind、active、resolved、sort_by、limit/offset过滤可用于查看某个持有人对某想法的全部 takes。find_contradictions只读缓存报告实现位于 src/core/ops/insights.ts。要点只读取eval_contradictions_runs.report_json中最近一次运行的结果不会触发新的探针——与技能文档 does not launch expensive probes 的定位一致参数slug子串匹配对中任意一侧、severitylow/medium/high、limit默认 20上限 100若 30 天内没有探针运行返回空结果并提示先运行gbrain eval suspected-contradictions每个发现包含kind、severity、axis、confidence、两侧的{slug, chunk_id, take_id}以及resolution_kind/resolution_command。这条路径让 idea-lineage 能在不启动重扫描的前提下把缓存中已标记的矛盾纳入Reversals and Contradictions小节。find_trajectory结构化的实体时间线侧信道同样位于 src/core/ops/insights.ts参数entity_slug必填要绘图的实体 slug如companies/acme-example、people/alice-examplemetric过滤到单一规范指标如mrr、arr、team_size省略则返回全部kind按行形态过滤metric/event/all默认v0.40.2.0 引入since/until对valid_from的时间窗口约束limit返回点数默认 100上限 500。注意它特意没有设置 localOnlyfederated OAuth 客户端可以查询其作用域内实体的轨迹但引擎内部会按 D-CDX-1 做可见性过滤远程调用者只能看到visibilityworld的事实。CLI 侧还有对应的gbrain eval trajectory命令src/commands/eval-trajectory.ts用法示例gbrain eval trajectory companies/acme-example gbrain eval trajectory companies/acme-example --metric mrr gbrain eval trajectory companies/acme-example --since 2026-01-01 --until 2026-07-31 gbrain eval trajectory companies/acme-example --json该命令会输出按时间排序的声明点、回归标记[REGRESSION ↓x%]与叙事漂移分数。回归与漂移的计算逻辑集中在 src/core/trajectory.ts回归检测同一 metric 内连续两个值中新值比旧值低至少 10% 即触发阈值可用环境变量GBRAIN_TRAJECTORY_REGRESSION_THRESHOLD调整默认 0.10相对变化以abs(旧值)为分母从而正确处理负值指标漂移分数1 - mean(cosine(emb[i], emb[i-1]))钳制在 [0, 1]少于 3 个带嵌入的点时优雅降级为null分数解读0.15 稳定叙事0.35 轻度漂移0.6 中度漂移以上为快速变化。在 idea-lineage 中find_trajectory只作为可选侧信道使用——仅当想法的故事确实依赖于角色/状态/指标这类结构化演化时才接入绝不能把 MRR 曲线当作概念谱系本身。search / query / get_page / list_pages这四个是谱系证据的主干采集器search提供带日期的关键词分块query提供语义召回get_page取回候选来源页的完整上下文list_pages用于概念页发现与作用域内的页面枚举。它们分别对应技能 Phase 1 的步骤 2–4 与 Phase 2 的证据来源组合起来完成精确短语变体 → 语义匹配 → 全页上下文 → 概念页枚举的完整证据链。实战要点小结先问范围请求是单一想法的演化还是整个概念图谱前者用本技能后者路由到concept-synthesis对比见 concept-synthesis/SKILL.md。识别证据形态信念/赌注类证据走takes_searchsrc/core/ops/takes.ts矛盾走缓存的find_contradictionssrc/core/ops/insights.ts实体指标走find_trajectorysrc/core/ops/insights.ts不要把三者混用。引用纪律每条非 gap 结论给出[source-id:slug]、日期与短引文无日期写 undated来源缺失写 No clear evidence found 并说明检查范围。区分层级归属 takes ≠ 大脑所有者的事实综合时参考 docs/takes-vs-facts.md 保持两层不坍缩引文规范见 conventions/quality.md。保持只读除非用户明确要求保存谱系页面否则不写任何大脑页面。诚实呈现证据稀疏或互相矛盾时如实输出缺口与冲突而不是伪造平滑演化或更有趣的分支。赞分享人工智能RAGAgent 记忆MCP 服务知识管理【免费下载链接】gbrainGarrys Opinionated OpenClaw/Hermes Agent Brain项目地址https://gitcode.com/gh_mirrors/gb/gbrain点击查看免费下载相关推荐gbrain idea-lineage 技能实战在思维库中追踪单一想法的完整演化轨迹gbrain idea lineage 技能实战在思维库中追踪单一想法的完整演化轨迹 导读 本文围绕 gbrain 开源仓库中的 idea lineage 技人工智能RAGAgent 记忆MCP 服务知识管理Blender MCP完整指南AI驱动3D建模的深度解析与实战教程Blender MCP完整指南AI驱动3D建模的深度解析与实战教程 Blender MCP是一款革命性的开源工具它通过模型上下文协议Model ConteMCP 服务AI 应用人工智能数据血缘追踪实战Apache Airflow Lineage让数据可追溯数据血缘追踪实战Apache Airflow Lineage让数据可追溯 在数据处理流程中你是否曾遇到过这些问题数据异常时无法快速定位根源合规审计要求追后端工作流自动化任务调度数据工程上一篇GitHub REST API 描述项目教程下一篇efibooteditor 项目教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 gbrain 单一想法谱系追踪：idea-lineage 技能实战指南
人工智能RAGAgent 记忆MCP 服务知识管理【免费下载链接】gbrainGarrys Opinionated OpenClaw/Hermes Agent Brain项目地址https://gitcode.com/gh_mirrors/gb/gbrain点击查看免费下载本指南讲解 gbrain 中idea-lineage技能的设计与用法如何从大脑的笔记、对话、文章与会议记录中重建某一个想法idea的完整演化路径——首次出现、最佳表述、反复与矛盾、被放弃的分支以及当前仍活跃的版本。读完本文你将掌握该技能的适用范围与边界、五阶段执行流程、标准输出格式与质量规则并能结合仓库源码理解search、query、get_page、takes_search、find_contradictions、find_trajectory等底层操作在谱系重建中各自扮演的角色。这个技能解决什么问题大脑中沉淀的信息越多越难回答一个看似简单的问题我对某件事的想法是怎么一步步变成现在这样的 用户通常想知道这个想法最早出现在什么时候它是在什么时刻变得清晰、完整的它取代了什么旧观点和哪些别的想法冲突过哪些变体出现过又消失了现在仍然活着的版本是什么idea-lineage正是为这一类单想法single-idea概念谱系问题而生的技能它的定位明确区别于另外两条路构建整个概念图谱那是concept-synthesis的职责以及绘制某个实体的指标轨迹那是find_trajectory的职责。典型触发语句来自 SKILL.md 的 triggers 与 canonical examplesRun idea lineage on founder-led sales.How has my thinking about compounding trust changed?What is my current version of this idea?Where did this idea come from, and what did I abandon along the way?Show reversals in my thinking about ...技能的 frontmatter 中还声明了六个只读工具search、query、get_page、list_pages、takes_search、find_contradictions、find_trajectory并标记mutating: false——默认模式下它绝不改写大脑中的任何页面。定位边界它不是什么技能文档用一个专门的 What this is not 章节来划清边界避免与相邻能力混淆相邻能力区别concept-synthesis该技能负责去重大量概念 stub、分级、撰写概念页、构建宏观知识地图是批量改写型技能mutating: true写入concepts/而 idea-lineage 只服务单一想法且默认只读find_trajectory该操作按实体绘制类型化事实或事件行的时间线MRR、角色、地点、状态等结构化指标不处理概念演化矛盾探针运行器idea-lineage 只读取已缓存的矛盾发现cached contradiction findings不会主动发起昂贵的探针扫描写作模式默认不是写作模式除非用户明确要求保存一份谱系页面作为产物否则只给出只读答案对照仓库中的 concept-synthesis/SKILL.md 可以看到另一侧的分工它从 signal-detector、idea-ingest、voice-note-ingest 等摄入管道产生的大量概念 stub 出发经过 Jaccard 去重、子串去重、语义去重、打分分级T1 Canon 到 T4 Riff、LLM 综合等阶段把数千个原始概念页收敛成一张策展过的知识地图。一句话概括concept-synthesis 做广与合idea-lineage 做单与沿。契约技能保证什么idea-lineage在执行前承诺以下契约Contract 章节保持单一想法范围。宽泛的语料扫描或 map my concepts 类请求必须路由给concept-synthesis而不是本技能。每条谱系结论都引用现存大脑证据页面 slug、存在时的 source id、日期、以及短引文或片段。缺失的证据标注为 gap证据缺口绝不编造貌似合理的故事去填补。矛盾、反转、被放弃的分支与正常的时间演化严格分离。默认只读不修改大脑页面。仓库中还有一组路由测试样例 routing-eval.jsonl恰好印证了这些契约的可测试性{intent:Run idea lineage on founder-led sales and show the earliest version,expected_skill:idea-lineage} {intent:Show how my thinking about compounding trust changed over time,expected_skill:idea-lineage} {intent:What is my current version of the invisible college idea?,expected_skill:idea-lineage} {intent:Where did this idea come from in my notes, and what did I abandon?,expected_skill:idea-lineage} {intent:Show reversals in my thinking about founder-led sales,expected_skill:idea-lineage} {intent:How has acme-example MRR trended since January?,expected_skill:null} {intent:Build my intellectual map across all my recurring frameworks,expected_skill:concept-synthesis}注意负例How has acme-example MRR trended since January?的期望技能为null——这是结构化指标轨迹问题应走find_trajectory而非谱系而 Build my intellectual map 明确路由给concept-synthesis。这些样例可以作为评估路由正确性的基准夹具。五阶段执行流程技能的执行被组织为五个阶段从解析目标到给出可操作的后续建议。Phase 1解析想法目标Resolve the idea target用一句话重述这个想法。用search搜索精确短语的各种变体。对自然语言版本运行一次语义query。当想法有显而易见的概念 slug 或标题时用list_pages检查概念页。如果结果指向实体/指标/状态轨迹而不是概念则移交给find_trajectory或常规的 query/think 轨迹路径。多义消歧如果多个不同的想法共用同一个短语必须先请用户选择意图再开始综合。这是防止谱系串线的关键闸门。Phase 2收集证据Gather evidence围绕每个输出桶output bucket收集足以支持或否决的证据带日期和 source slug 的搜索分块chunks。通过get_page获取最相关概念页、笔记、转录、会议、文章或项目页的完整内容。通过反向链接backlinks、relatedfrontmatter、或搜索结果中的反复共现发现相关概念页。当想法以信念、赌注、预感或被归属的声明形式出现时用takes_search检索 takes。当用户问到不一致、或搜索结果呈现明显冲突时用find_contradictions读取已缓存的矛盾发现。只有当证据呈实体/属性形态如与想法故事相关的角色/状态/指标演化时才使用find_trajectory。技能明确要求宁可要少量高质量来源也不要一长串未经整理的堆砌。当片段暗示存在谱系里程碑时应读取完整页面。Phase 3分类谱系时刻Classify lineage moments把证据归类到七个桶中这是整个技能的分析核心首次提及First mention——想法出现的最早带日期证据。最佳表述Best articulation——最清晰或最完整的表达不一定是时间上最新的。当前活版本Current live version——最近的高权威、且仍处于活跃状态的版本。反转Reversals——用户立场改变方向的地方。矛盾Contradictions——在同一时间或同一假设下无法同时为真的声明必须与合理的时间取代temporal supersession区分开。被放弃的分支Abandoned branches——出现后又消失、失去支持或被明确拒绝的有前途变体。相关概念Related concepts——塑造或继承了原想法一部分的邻近想法。当某个桶没有证据时必须写出 No clear evidence found并附上检查了什么、缺什么的一行说明而不是用叙事去填补。Phase 4综合谱系Synthesize the lineage按下方输出格式作答并且综合程度要与证据成比例。如果证据稀疏、杂乱或互相矛盾不要强行拟合出一条平滑的演化曲线——如实呈现混乱本身就是一种忠实。Phase 5建议可选的后续动作Suggest optional next action在答案末尾视情况提供一个具体跟进项将谱系保存为大脑页面仅当用户此前明确要求。如果用户真正想要的是整体概念图刷新建议运行宽范围的concept-synthesis。如果想法最终依赖结构化实体事实建议运行或查看轨迹数据。只有当缓存的矛盾发现不足以支撑结论、且用户明确想要更重的扫描时才建议运行矛盾探针。标准输出格式正常答案使用如下结构来自 SKILL.md 的 Output Format 章节## Current Live Version [1-3 sentences. Include confidence: high / medium / low.] ## Lineage - First mention: [date] - [claim] ([source-id:slug], short quote) - Best articulation: [date] - [claim] ([source-id:slug], short quote) - Turning point: [date] - [what changed] ([source-id:slug]) ## Reversals and Contradictions - Reversal: [what changed, with before/after evidence] - Contradiction: [what conflicts, or No clear evidence found] ## Abandoned Branches - [branch] - [why it appears abandoned, with evidence] ## Related Concepts - [concept slug or title] - [relationship] ## Evidence Gaps - [bucket or claim] - [what was checked and what is missing]对简短答案可以折叠部分小节但必须保持同样的区分first mention / best articulation / reversal / contradiction / abandoned branch 等类别不可合并丢失。每一条非 gap 结论都必须引用来源。输出格式的细节体现了技能的核心价值观Current Live Version需要显式给出置信度high / medium / lowEvidence Gaps是一个强制小节保证我不知道什么和我知道什么一样透明。质量规则与反模式质量规则Quality Rules引用首次提及或最佳表述时引用精确原文Quote exact text。来源有日期就带上日期没有日期就写 undated绝不猜测。用户本人的直接陈述是最高权威用于判断用户当前的立场。持有人归属的 takes 是该持有人的信念不自动等同于关于世界的、或关于大脑所有者的客观事实。当证据来自单一薄弱片段、无日期页面或模糊语义匹配时把置信度标为 low。当搜索或页面负载中包含 source id 时在引用中保留它。这套规则的底层依据可以在 docs/takes-vs-facts.md 中找到gbrain 有两层认识论存储——takes 是谁在什么置信权重下相信什么的冷存储多持有人kind 分为take/fact/bet/hunchfacts 是大脑所有者对话中实时捕获的热记忆event/preference/commitment/belief/fact/idea。谱系综合时绝不能坍缩这两层把某个持有人如people/alice-example的归属信念直接当作大脑所有者的事实来陈述正是该技能要避免的类别错误。此外conventions/quality.md 还定义了引文格式与来源优先级用户直接陈述 编译真理 时间线条目 外部来源技能文档首部的 Convention 提示也指向这份文件。反模式Anti-Patterns对单一想法问题运行concept-synthesis。把实体的 MRR、ARR、角色或状态轨迹当作概念谱系呈现却不解释二者的区别。把正常的时间演化误判为矛盾。因为故事会更有趣而凭空编造被放弃的分支。未经用户明确指示就保存或改写大脑页面。在捆绑的 fixtures 或文档中使用真实姓名、公司、基金或 fork 特有示例这也是本仓库测试夹具全部使用acme-example这类占位名的原因。底层操作与源码实现idea-lineage 依赖的六个工具中takes_search、find_contradictions、find_trajectory在仓库中都有可定位的 MCP 操作实现了解它们的参数与行为有助于在实战中精准调用。takes_search归属信念的关键词检索实现位于 src/core/ops/takes.tsconst takes_search: Operation。它基于pg_trgm 三元组相似度对 take 的 claim 文本做关键词搜索参数包括query必填匹配 take claim 文本的搜索词例如valuation caplimit最大结果数默认 30上限 100。它通过engine.searchTakes执行并带takesHoldersAllowList与readPolicyOpts做持有人与来源作用域过滤。在 idea-lineage 的 Phase 2 中当想法以信念/赌注/预感/被归属声明形态出现时takes_search是进入谁、何时、以多大权重相信什么这一层的入口。同文件的takes_list还支持按holderworld|garry|brain|slug、kind、active、resolved、sort_by、limit/offset过滤可用于查看某个持有人对某想法的全部 takes。find_contradictions只读缓存报告实现位于 src/core/ops/insights.ts。要点只读取eval_contradictions_runs.report_json中最近一次运行的结果不会触发新的探针——与技能文档 does not launch expensive probes 的定位一致参数slug子串匹配对中任意一侧、severitylow/medium/high、limit默认 20上限 100若 30 天内没有探针运行返回空结果并提示先运行gbrain eval suspected-contradictions每个发现包含kind、severity、axis、confidence、两侧的{slug, chunk_id, take_id}以及resolution_kind/resolution_command。这条路径让 idea-lineage 能在不启动重扫描的前提下把缓存中已标记的矛盾纳入Reversals and Contradictions小节。find_trajectory结构化的实体时间线侧信道同样位于 src/core/ops/insights.ts参数entity_slug必填要绘图的实体 slug如companies/acme-example、people/alice-examplemetric过滤到单一规范指标如mrr、arr、team_size省略则返回全部kind按行形态过滤metric/event/all默认v0.40.2.0 引入since/until对valid_from的时间窗口约束limit返回点数默认 100上限 500。注意它特意没有设置 localOnlyfederated OAuth 客户端可以查询其作用域内实体的轨迹但引擎内部会按 D-CDX-1 做可见性过滤远程调用者只能看到visibilityworld的事实。CLI 侧还有对应的gbrain eval trajectory命令src/commands/eval-trajectory.ts用法示例gbrain eval trajectory companies/acme-example gbrain eval trajectory companies/acme-example --metric mrr gbrain eval trajectory companies/acme-example --since 2026-01-01 --until 2026-07-31 gbrain eval trajectory companies/acme-example --json该命令会输出按时间排序的声明点、回归标记[REGRESSION ↓x%]与叙事漂移分数。回归与漂移的计算逻辑集中在 src/core/trajectory.ts回归检测同一 metric 内连续两个值中新值比旧值低至少 10% 即触发阈值可用环境变量GBRAIN_TRAJECTORY_REGRESSION_THRESHOLD调整默认 0.10相对变化以abs(旧值)为分母从而正确处理负值指标漂移分数1 - mean(cosine(emb[i], emb[i-1]))钳制在 [0, 1]少于 3 个带嵌入的点时优雅降级为null分数解读0.15 稳定叙事0.35 轻度漂移0.6 中度漂移以上为快速变化。在 idea-lineage 中find_trajectory只作为可选侧信道使用——仅当想法的故事确实依赖于角色/状态/指标这类结构化演化时才接入绝不能把 MRR 曲线当作概念谱系本身。search / query / get_page / list_pages这四个是谱系证据的主干采集器search提供带日期的关键词分块query提供语义召回get_page取回候选来源页的完整上下文list_pages用于概念页发现与作用域内的页面枚举。它们分别对应技能 Phase 1 的步骤 2–4 与 Phase 2 的证据来源组合起来完成精确短语变体 → 语义匹配 → 全页上下文 → 概念页枚举的完整证据链。实战要点小结先问范围请求是单一想法的演化还是整个概念图谱前者用本技能后者路由到concept-synthesis对比见 concept-synthesis/SKILL.md。识别证据形态信念/赌注类证据走takes_searchsrc/core/ops/takes.ts矛盾走缓存的find_contradictionssrc/core/ops/insights.ts实体指标走find_trajectorysrc/core/ops/insights.ts不要把三者混用。引用纪律每条非 gap 结论给出[source-id:slug]、日期与短引文无日期写 undated来源缺失写 No clear evidence found 并说明检查范围。区分层级归属 takes ≠ 大脑所有者的事实综合时参考 docs/takes-vs-facts.md 保持两层不坍缩引文规范见 conventions/quality.md。保持只读除非用户明确要求保存谱系页面否则不写任何大脑页面。诚实呈现证据稀疏或互相矛盾时如实输出缺口与冲突而不是伪造平滑演化或更有趣的分支。赞分享人工智能RAGAgent 记忆MCP 服务知识管理【免费下载链接】gbrainGarrys Opinionated OpenClaw/Hermes Agent Brain项目地址https://gitcode.com/gh_mirrors/gb/gbrain点击查看免费下载相关推荐gbrain idea-lineage 技能实战在思维库中追踪单一想法的完整演化轨迹gbrain idea lineage 技能实战在思维库中追踪单一想法的完整演化轨迹 导读 本文围绕 gbrain 开源仓库中的 idea lineage 技人工智能RAGAgent 记忆MCP 服务知识管理Blender MCP完整指南AI驱动3D建模的深度解析与实战教程Blender MCP完整指南AI驱动3D建模的深度解析与实战教程 Blender MCP是一款革命性的开源工具它通过模型上下文协议Model ConteMCP 服务AI 应用人工智能数据血缘追踪实战Apache Airflow Lineage让数据可追溯数据血缘追踪实战Apache Airflow Lineage让数据可追溯 在数据处理流程中你是否曾遇到过这些问题数据异常时无法快速定位根源合规审计要求追后端工作流自动化任务调度数据工程上一篇GitHub REST API 描述项目教程下一篇efibooteditor 项目教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考