gbrain concept-synthesis 技能实战：将数千条概念 stub 沉淀为分层知识地图

• 人工智能
• RAG
• Agent 记忆
• MCP 服务
• 知识管理

本指南基于 gbrain 仓库 plugin/skills/concept-synthesis/SKILL.md 展开，讲解如何用五阶段流水线把 ingestion 管道（signal-detector、idea-ingest、voice-note-ingest）日积月累产生的大量原始概念 stub，去重、打分、分层、综合、聚类，最终产出 T1 Canon → T4 Riff 四层分级的知识地图，并配一套可逆的 Phase 5 精选淘汰（cull）机制。读完你将掌握：Jaccard/语义去重与合并时间线的具体做法、六轴评分 rubric 的加权规则与硬性门槛、merge-with-backlinks 的可逆合并管线，以及如何在 gbrain CLI（query/search/get/put/delete/restore/revert/history）上落地整套流程。

这个技能解决什么问题

gbrain 的多个摄取技能会把"用户提到的每一个想法"都建成一个概念页面：

• skills/signal-detector/SKILL.md —— 从文本渠道生成原始概念 stub（它区分"用户原创思考 →originals/"与"引用的世界概念 →concepts/"，并强调用用户原话捕获）；
• skills/voice-note-ingest/SKILL.md —— 音频渠道同理；
• skills/idea-ingest/SKILL.md —— 链接/文章渠道同理。

数月之后，concepts/下会出现：

• 数千个 stub 页面，其中大量重复或近似重复；
• 时间线重复——同一个来源在多个概念页里反复出现；
• 没有综合——只有"用户在某个日期提过 X"，没有思想演进；
• 没有分层——所有概念平铺，无轻重缓急；
• 没有聚类——相关想法彼此没有链接。

concept-synthesis 的任务，就是把这份"原材料"变成一份策展过的知识指纹（curated intellectual fingerprint）。它的核心承诺是：Phases 1–4 只做"向上合并"，永不删除；Phase 5 才是精选淘汰，且每一步破坏性操作都可逆。

五阶段架构总览

技能本体是 Markdown 形式的 Agent 指令，Agent 调用 gbrain 既有操作 + LLM 多轮完成流水线：

Phase 1: Dedup + merge（确定性） N stubs → ~N/4 个 canonical concepts ├── Jaccard 去重（标题 + 首段的词重叠度） ├── 子串去重（"founder mode" vs "founder mode vs manager mode"） ├── 语义去重（LLM 判断："这是不是同一个想法？"） └── 把重复页的时间线 + 别名合并进 canonical 页 Phase 2: Score + tier（确定性 + 启发式） 每个 canonical concept → 打分并分级 ├── Frequency：引用该概念的独立来源数 ├── Timespan：首次提及 → 末次提及的天数 ├── Breadth：出现的不同月份数 ├── Engagement：概念来源的平均互动量（若有） └── Tier: T1 Canon | T2 Developing | T3 Speculative | T4 Riff Phase 3: Synthesize（LLM，仅 T1+T2） T1 + T2 → 富综合 ├── Evolution narrative：想法如何随时间变得锋利 ├── Best articulation：互动最高或最精确的原话引用 ├── Related concepts：到其他概念的交叉链接 ├── Context：想法诞生/演进时正在发生什么 └── Counter-positions：这个想法反对什么 Phase 4: Cluster + map（LLM） 全部分层概念 → 知识集群 ├── 把相关概念归入领域（LLM 自动命名） ├── 生成集群摘要页 ├── 构建主 concepts/README.md 完整地图 └── 识别思想谱系（概念 A → 演化为概念 B） Phase 5: Curation cull（rubric + 可逆合并） 每个概念 → 硬性判定: ELITE | KEEP | MERGE/REWRITE | DELETE ├── 六轴 rubric（substance 权重 2x，packaging 权重 1x）+ 最低 substance 门槛 ├── Grounding 标签（VERIFIED / OPINION / NEEDS_SOURCE / UNSAFE） ├── 集群预算 + 声誉风险门 ├── 带 backlinks 合并进集群 canonical（完全可逆） └── merge_count / independent_sources → 涌现式层级提升

Phase 1 的合并预估是"N stubs → 约 N/4 个 canonical concepts"，这是对去重收益的经验估算：四分之三的 stub 会在合并后消失，但它们的信号（时间线、别名、来源）会被保留，而不是被丢弃。

调用方式：Agent 如何执行

技能本身是 Agent 指令，不提供独立二进制。执行时的标准流程：

# 1. 列出全部概念页 gbrain query "type:concept" --limit 10000 --json # 2. Phase 1 去重 —— Agent 本地应用 Jaccard + 子串， # 再用 LLM 识别语义重复。 # 3. Phase 2 分级 —— Agent 依据 frequency / timespan / breadth # 给每个 canonical 概念打分，并把 tier 写进 frontmatter。 # 4. Phase 3 综合 —— 对每个 T1/T2，Agent 读取时间线 # + 关联来源页，通过 put_page 把综合段落写回概念页。 # 5. Phase 4 聚类 —— Agent 读取分层后的概念列表， # 写出 concepts/README.md 完整知识地图。

这些命令与 gbrain CLI 的实际实现一致：query是核心检索命令（见 src/cli.ts 中op.name === 'query'的分支处理），search、get、put、delete、restore、revert、history共同构成页面读写与版本恢复的完整闭环（restore同时出现在 sources 子命令与备份恢复路径中，见 src/commands/backup.ts）。

值得一提的检索细节：gbrain query支持salience（重要度，基于emotional_weight与活跃 takes）与recency（新鲜度，按前缀衰减，concepts/、originals/等前缀是 evergreen 不衰减）两个正交轴，未显式传参时会用正则启发式自动判定。概念综合阶段检索相关上下文时，可按需显式传salience/recency，详见 skills/conventions/salience-and-recency.md。

输出格式一：综合后的概念页

T1 Canon —— 完整综合

--- title: "concept name" type: concept tier: 1 tier_label: "Canon" mention_count: 18 distinct_months: 8 first_mention: "YYYY-MM-DD" last_mention: "YYYY-MM-DD" composite_score: 78.4 aliases: ["alternate phrasing 1", "alternate phrasing 2"] related: ["sibling-concept-1", "sibling-concept-2"] --- # concept name **Tier 1 — Canon** | 18 mentions across 8 months ## Synthesis [2-4 段叙事：想法如何演进、在用户世界观中意味着什么、为何重要。第三人称分析性语气。] ## Best Articulation > "来自来源的原话引用——这个想法最精确或互动最高的表达。" — Date ## Evolution | Period | Expression | Signal | |--------|-----------|--------| | YYYY-MM | "首次表达" | 首次使用——愿景框架 | | YYYY-MM | "变得锋利" | 反模式浮现 | | YYYY-MM | "巅峰形态" | 最干净的表达 | ## Related Concepts - sibling concept — 关系描述 - sibling concept — 关系描述 ## Timeline [完整去重后的时间线：条目、引文、来源链接]

要点拆解：

• frontmatter 是机器可读的分层依据：tier（数值）+tier_label（人类可读）双字段；mention_count/distinct_months/first_mention/last_mention是 Phase 2 打分的直接落盘；composite_score是加权综合分；aliases保存去重时吸收的别名供搜索命中；related是 Phase 3 的交叉链接。
• ## Best Articulation必须是逐字引用，而非转述。这与 skills/conventions/quality.md 的引用铁律一脉相承：每个事实都要带[Source: ...]行内引用，且引用优先级最高的是用户直接陈述（"User's direct statements (highest authority)"）。
• ## Evolution表格是"思想演进"的证据载体，每一行都必须能在既有 brain 页面上验证，绝不允许幻觉日期或引文。

T3 / T4 —— 只保留 stub，不做 LLM 综合

--- title: "concept name" type: concept tier: 4 tier_label: "Riff" mention_count: 1 --- # concept name **Tier 4 — Riff** | 1 mention > "Quote from the source" — Date

这是预算纪律的落点：T3/T4 只保留原始引文 + 层级标记，不消耗 API 预算做综合。只有 T1/T2 才值得 LLM 综合——这正是反模式清单里"对 T3/T4 跑综合 = 浪费 API 预算"的正面对照。

输出格式二：集群地图 concepts/README.md

# Intellectual Universe ## Canon (T1) — N concepts The permanent intellectual fingerprint. Ideas that recur across years. ### [Cluster Name] - concept-slug — one-line characterization - ... ### [Other Cluster] - ... ## Developing (T2) — N concepts Sharpening. Might become canon. ## Speculative (T3) — N concepts Testing in public. ## Stats - Total concepts: N - T1 Canon: N - T2 Developing: N - T3 Speculative: N - T4 Riff: N - Earliest source: YYYY-MM-DD - Latest source: YYYY-MM-DD

集群地图是全流程的"对外门面"：## Stats区块给出全语料的分层快照，Earliest/Latest source帮助判断语料的时间跨度。集群命名规则见下文反模式——"Generic cluster names (Various Topics)" 是明令禁止的反模式：如果你无法给集群命名，说明这个集群不是真实的。

Phase 5：Curation cull —— keep/delete/merge 评分细则

Phases 1–4 只向上合并、永不删除。数月之后，空洞的 stub 会稀释真正在复利累积的概念。Phase 5 就是清理：给每个概念一个硬性判定，按节奏（cadence）或按需运行，且每一步破坏性操作都可逆。

运行前务必遵循 skills/conventions/test-before-bulk.md：先清理 3–5 个集群做试点，读真实输出，确认无误后再跑全量。该约定文档记录了渐进式批量纪律（10 → 100 → 500 → full 四级拉升，每轮都要做 count-before/count-after 校验、2% 错误率上限、随机抽检），正是为 Phase 5 这类"可能写出上百页"的批量操作准备的。

核心问题

如果用户两年后冷启动翻到这个概念，它会让一个想法更锋利、或播下一颗新种子——还是会被当作填充物划过？

划过（Scroll-past）= DELETE。

六轴评分（每轴 1–5 分）

三个substance（实质）轴权重2x，三个packaging/fit（包装与适配）轴权重1x。实质扛起概念，包装赢得表面积。

SUBSTANCE（2x 权重）：

PACKAGING & FIT（1x 权重）：

评分 → 判定

加权分 = (Insight + Originality + Specificity) × 2 + (Voltage + Representative + Powerful) × 1。满分 45，换算为百分比。

最低 substance 门槛（覆盖百分比）：只要 Insight < 3 或 Originality < 3，概念永远不能是 KEEP 或 ELITE。风格不能为空洞的想法买单。

MERGE/REWRITE 是真实的第三种判定，不是托词。许多 stub 是"活跃的想法被困在虚弱的身体里"——把它们并入集群 canonical 或重写为独立页。使用条件：Insight ≥ 3 但 Specificity 或 Voltage 拖低了分数。

硬性 DELETE 触发（命中任一即删，无论分数）

• 幸运饼干式重述（Fortune-cookie restatement）——真实但没说任何贺卡之外的东西；空话，无机制。
• 碎片（Fragment）——依赖不可得的上下文，不自包含（除非出处罕见，且即便如此也仅在可理解 + 有用时保留）。
• 乱码提取（Mangled extraction）——转录乱码、句中截断、语无伦次，或把 chunk 标题伪装成概念。
• 离题琐事（Off-mission trivia）——准确但与你构建、相信或可能使用的任何东西都无关。
• 集群内重复（Duplicate within cluster）——通不过下述"操作性重复测试"。
• 无依据的事实断言（Unsupported factual claim）——错误或未注明来源却被当作事实陈述的事实/历史/因果断言（见 grounding 标签）。软化或删除。

Grounding 标签（仅限事实型概念）——贴标签，而非只扣分

任何事实、历史、科学或因果主张都要过一遍真值核查，并在 frontmatter 中打上grounding:标签：

• VERIFIED—— 准确 + 有来源 → 可保留并部署。
• OPINION—— 明确框定为用户的观点/论点 → 没问题。
• NEEDS_SOURCE—— 看似合理但以事实口吻未注明来源 → 仅当改写为观点/主张后保留。
• UNSAFE—— 错误，或"犀利但为假" → DELETE 或软化。

不要存储自信的虚假陈述——一旦部署，它们只会让别人更不理解用户。引用规范遵循 skills/conventions/quality.md（其"Source precedence"把用户直接陈述列为最高权威，冲突时"note the contradiction with both citations"，而不是悄悄二选一）。

声誉风险门（Reputational-risk gate）

一个犀利但可能误代表用户的概念——让用户听起来残忍、轻视他人、或持有一个他们并不持有的立场——是负债，不是弹药。即使 Voltage 高分也要标记为重写或删除。Powerful 意味着"使用后无反弹"。

集群预算（"规模化后的陈词滥调"问题）

当大量概念来自同一来源或共享同一想法时，评估集合而非逐一评估。每个语义集群的默认预算：

• 1 个 canonical 概念（机制最锋利的陈述）——永远保留。
• +1–2 个仅当各自贡献了不同的机制、具体例子、不同的情绪调性、新受众或用户独有的措辞。
• 超过 3 个仅当与进行中的项目绑定。

集群内其余一切 → MERGE（优先，见下）或 DELETE。四十个同一主题的近似 stub → 一个 canonical 机制概念，可能再加一句好句子。其余向上合并。

操作性重复测试

不要凭肉眼判断"% 重叠"。把候选与集群内最佳既有概念对比，问：它是否新增了机制、例子、情绪调性、受众或用户专属措辞？没有 → MERGE（并入并保留信号）或 DELETE。有 → 它新增的东西就是保留它的理由。

硬性 KEEP 覆盖（挽救低分——但有底线）

每个覆盖仅当概念可理解且潜在有用时生效：

• 独有声音（Singular voice）——捕捉到只有用户会说的话。声音胜过打磨，但声音不能胜过连贯。
• 对进行中项目承重（Load-bearing for an active project）——直接支撑已知论点或进行中的工作。
• 罕见出处（Rare provenance）——无法再生的真实引文/时刻（一次会议、用户自己的笔记），且携带可恢复的意义。没有内容的"关于那个 AI 东西的精彩观点"不符合条件。

Merge-with-backlinks（可逆 —— 什么都不会被销毁）

对冗余集群，清理是反向的：不要删尾，把尾部向上合并进 canonical 头部，让合并账本（merge ledger）成为显著性（salience）指标。一个想法被独立地重新推导 N 次不是膨胀——是语料在 N 个不同语境里标记"这个很重要"。删除重复会扔掉这个信号；合并则捕获它。

每次合并都会在 canonical 上长出三个 frontmatter 字段 + 一个正文区块：

• merge_count（int）——吸收的页面原始数量，含同源重复提取。
• independent_sources（int）——集群提取自的不同来源数。这才是真正的显著性指标——当单一来源被反复重新提取时，原始 merge_count 会虚高，independent_sources 正是解药。
• backlinks（{source, angle, date}列表）——每个被吸收页的来源 + 它带来的特定角度。所有框架都存活，只是不再是独立的顶层页面。
• ## Facets（正文）——canonical 机制置顶，然后每个被吸收页一行"as seen in {source}: {angle}"。概念变成多角度的，而不是冗余的。

合并质量门（拒绝不完整合并）：仅当 (a)## Facets区块为每个被吸收页各有一行（来源 + 特定角度），且 (b) 每条backlinks都有 source + angle + date 时，合并才会写入。空 facets 或悬空条目 = 拒绝合并并标记该集群人工复核。不允许半吊子合并。

区分度守卫是硬性否决（HARD VETO），不是建议。两个看起来像重复的概念，除非 LLM 评审肯定性地确认它们陈述的是同一机制，否则不合并。默认是不合并；评审必须"挣得"这次合并，且其 yes/no + 理由按集群记录。不同的机制/例子/调性 → 各自保留 canonical。相似性提出候选，判断力定夺。

寻找合并候选 —— 用定性波段，不用数值截断。不要硬编码相似度阈值：gbrain search返回的是混合（RRF 融合）分数，不是原始余弦相似度，任何钉死的数字都会随语料与搜索模式漂移而失效。定性工作法：搜索每个概念的标题 + 首段，当另一个概念出现在结果列表顶部、且与其余结果有明显分数差距时，把它当作合并候选。共享词汇但不共享机制的概念会落在列表中部——那正是区分度守卫发挥作用的地带。在全量执行前，先在自己语料的分布上做校准。

合并机制（渐进式、完全可逆）

# 0. 盘点要清理的分层 gbrain query "type:concept" --limit 10000 --json # 1. 探测合并候选（互相出现在列表顶部） gbrain search "concept title + first paragraph" --limit 10 # 2. 在触碰之前，把被吸收页原样归档到 _merged/ 下 # （在其 frontmatter 中加 merged_into: <canonical-slug>）。 # _merged/ 树就是撤销按钮。 gbrain get concepts/absorbed-stub gbrain put concepts/_merged/cluster-name/absorbed-stub # 3. 生长 canonical 头部：merge_count、independent_sources、 # backlinks 和 ## Facets 区块 gbrain put concepts/canonical-slug # 4. 软删除被吸收的原页（在 purge 前可恢复） gbrain delete concepts/absorbed-stub # 撤销路径：gbrain restore <slug>（purge 窗口内）、 # _merged/ 副本（purge 后仍存活）、以及每页版本历史： gbrain history concepts/canonical-slug gbrain revert concepts/canonical-slug <version_id>

增量提交。清理期间没有任何东西被硬删除：_merged/树 + 软删除 + 页面历史让每一步都可逆。

合并账本 → 涌现式层级提升

把independent_sources喂回 Phase 2 的 Frequency 轴。当 canonical 概念的independent_sources越过语料直方图的自然间隙——看分布，别硬编码整数——它就是层级提升候选（T4→T3、T3→T2、T2→T1 复核）。没有体积上限：一个不断吸收合并的概念应该长得肥胖。层级边界因此是涌现的而非手绘的——语料在告诉你：一个反复出现的思想已经挣得了自己的层级。

质量门

去重质量

• 不应存在两个概念页是"换种说法的同一个想法"。
• 别名保留在 frontmatter 中供搜索命中。
• 运行gbrain query "type:concept"抽查数量下降。

层级质量

• T1 应该让人感觉"对，那确实是我反复使用的框架之一"——可识别、反复出现、锋利。
• T2 应该让人感觉"我在打磨这个；它越来越清晰了"。
• 无概念应处于 T1 却 < 4 个月跨度或 < 6 次提及。
• 无概念应处于 T4 却 > 3 个月跨度。

综合质量

• 捕捉演进，而非重复。
• 使用逐字引文，而非转述（对应 skills/conventions/quality.md 的引用铁律）。
• 链接到相关概念（Markdown 链接，非 wiki 链接）。
• 不幻觉来源或日期。

清理质量

• 当概念持有集群中唯一的机制陈述时，不得删除它——canonical 必须在每次清理中存活。
• 每次合并都通过合并质量门：## Facets已填充 +backlinks条目完整。无半吊子合并。
• 区分度守卫的判定按集群记录；任何合并写入前，评审必须大声说过 yes。
• 没有 UNSAFE 标签的主张以事实口吻存活。
• 每个被吸收页在被软删除前都有逐字的_merged/副本。

Cron 集成：按节奏跑，而非每次信号都跑

这是重活。按节奏运行，而非跟随每个信号：

• 在大批摄取批次完成后（signal-detector 爆发、archive crawler 运行等）。
• 每周 cron做新晋升 T1/T2 概念的增量综合。
• 语料显著漂移时手动触发全量重新综合。
• Phase 5 清理比综合跑得少——月度，或当一次大摄取波明显推高 stub 数量时。永远先 test-before-bulk（先试点 3–5 个集群，见 skills/conventions/test-before-bulk.md）。

反模式清单

• ❌ 对 T3/T4 跑综合——浪费 API 预算在可能永远不会变得锋利的思想上。
• ❌ 幻觉引文或日期。时间线必须能在既有 brain 页面上验证。
• ❌ 通用集群名（"Various Topics"）。如果你无法命名集群，集群就不是真的。
• ❌ 在没有新来源素材的情况下重复综合已综合的 T1。尊重幂等性。
• ❌ 为合并候选硬编码数值相似度截断。搜索分数是语料与模式相对的；用定性波段，让区分度守卫定夺。
• ❌ 仅凭相似度合并。共享词汇 ≠ 共享机制；区分度守卫是硬性否决，不是建议。
• ❌ 删除冗余概念而非向上合并。删除会扔掉驱动层级提升的频率信号。
• ❌ 因为措辞漂亮就保留空洞概念。最低 substance 门槛正是为此存在。
• ❌ 清理期间硬删除。归档到_merged/+ 软删除；让每条撤销路径存活。
• ❌ 未先做 3–5 个集群试点就全量清理（见 skills/conventions/test-before-bulk.md）。

归档位置与关联技能

输出文件按主主题规则归档在concepts/下，遵循 skills/_brain-filing-rules.md（"Reusable framework/thesis →concepts/—— 它是心智模型"；sources/仅用于原始数据与批量导入；回链铁律要求每次提及带 brain 页的实体都建立双向回链）。合成输出是 sui generis 例外：仅限一对一来源 + 特定读者的个人化产物才用media/<format>/前缀路径。

本技能与摄取侧的三个上游技能组成完整闭环：

• skills/signal-detector/SKILL.md —— 文本渠道创建原始概念 stub；
• skills/voice-note-ingest/SKILL.md —— 音频渠道；
• skills/idea-ingest/SKILL.md —— 链接/文章渠道。

契约（Contract）与一致性

技能 frontmatter 声明mutating: true、writes_pages: true、writes_to: [concepts/]，并保证：

• 路由匹配 frontmatter 中的 canonical 触发器（如 "concept synthesis"、"canon vs riff"、"cull my concepts"）；
• 输出写入writes_to:列出的目录（适用时）；
• 遵循引用的约定（quality.md、brain-first.md、_brain-filing-rules.md）；
• 隐私契约保持：无真实姓名、无 fork 专属文件系统路径字面量、无上游 fork 引用。

全文的契约细节在正文各节已完整展开，frontmatter 的triggers列表（含 "synthesize my concepts"、"find patterns across my notes"、"trace idea evolution"、"which concepts to keep" 等）为 Agent 路由提供入口。技能输出形状在正文（"Output" 部分）内联说明，该契约由test/skills-conformance.test.ts一致性测试校验。

• 人工智能
• RAG
• Agent 记忆
• MCP 服务
• 知识管理