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点击查看免费下载导读gbrain 的propose_takesdream cycle 阶段负责把脑内 Markdown 页面中隐藏的判断、预测与下注抽取为结构化Take主张供后续grade_takes对赌注进行事实验证、再交给calibration_profile生成校准画像。本文以仓库内的一份合成会议纪要样本meeting-2026-04-10-fundraise-fund-a.md为贯穿全文的实战案例完整拆解可评分主张gradeable claim的定义、抽取提示词中的置信度推断规则、kind/holder/weight 三元组语义以及从语料标注、抽取幂等到质量门禁的整条链路。读完本文你将能理解 gbrain 如何从一段自然的会议讨论中稳定产出带归属、带置信度的结构化 Take并掌握验证抽取效果与防范泄漏的工程手段。样本全貌一份融资会议纪要被抽取出什么该 fixture 模拟的是 gbrain 使用者you与创业者alice-example所属公司acme-example及投资机构fund-a合伙人的一次融资 Office Hours主题是 acme-example 计划于 2026 年底完成 Series A。文件由三部分构成1. Frontmatter页面元数据title: Fundraise office hours — fund-a alice-example type: meeting slug: meetings/2026-04-10-fundraise-fund-a date: 2026-04-10 attendees: [you, alice-example, fund-a]2. Discussion自由叙事段落讨论了留存曲线、地域假设LA 市场比 SF 数据隐含的更慢、竞争格局垂直深度 vs 横向玩家、定价策略top-decile 客户群是否被低估。3. Takes显式主张区块以 bullet 形式明确写下四条赌注/预测每条都带置信度数字I bet acme-example closes the Series A on the timeline shes projecting (Q4 2026). Conviction ~0.7.I bet fund-a leads the round. … Conviction ~0.75.I predict the competitive thesis (vertical depth wins) will look weaker in 12 months. Conviction ~0.55 — genuinely uncertain.alice-examples pricing instinct is right for the current stage. Low conviction…4. Followups后续动作90 天后复查地域模型、拿到与两家竞对的 win-rate 数据。这份 fixture 的技术价值在于主张既出现在显式## Takes区块也散落在自然 prose 中——这是对抽取器的刻意考验。配套的真值文件 meeting-2026-04-10-fundraise-fund-a.gradeable-claims.json 的_meta.notes明确指出Claims appear both in prose and in the explicit ## Takes section. Both should be extracted by the tuned propose_takes prompt. Conviction values explicit in the ## Takes section; inferred for prose claims.语料库定位训练集 Holdout 的双层校准体系该 fixture 属于 test/fixtures/calibration/ 下的extract-takes-corpus/。按 README 的说明这套语料服务于两件事训练集extract-takes-corpus/目标 50 页、按文体分层抽取提示词在这里反复迭代直到对labels.json的F1 ≥ 0.85Holdout 留出集holdout/3 模型抽取流程不接触这些页面真值由操作者独立标注生产提示词必须在其上达到F1 ≥ 0.80才能发布。这是一套典型的训练/留出防过拟合结构训练分高但 holdout 分掉得太多说明提示词在背语料而不是在学抽取。隐私契约是语料库的第一原则语料库中每一页都是合成的Synthetic没有任何真实人物、公司、基金、交易或事件。占位符命名遵循 CLAUDE.md 约定——人alice-example、charlie-example、you公司acme-example、widget-co基金fund-a/fund-b/fund-c交易acme-seed、widget-series-a会议meetings/2026-04-03。CI 守卫脚本 check-synthetic-corpus-privacy.sh 会对这些目录下所有 fixture 做正则扫描一旦出现真实世界特异性金额数字、具名决策、映射到私有上下文的日期就令构建失败防止贡献者新增样本时意外泄漏。标注真值gradeable-claims 的结构化字段每个语料页配套一个*.gradeable-claims.json它是抽取器的标准答案。以本页为例6 条主张被标注为claim_text主张kind种类domain领域conviction置信度来源依据LA market will be slower than the SF data implies for acme-examplejudgmentgeography0.65prose 对冲语I dont think shes modeling correctlyVertical-depth competitive moat thesis is weaker than alice-example claimsjudgmentcompetitive-dynamics0.55Im not sure I buy that 轻度异议acme-examples current pricing leaves money on the table for top-decile cohortjudgmentpricing0.6适度置信度推断值acme-example closes Series A on Q4 2026 timelinebetfundraise0.7## Takes中的显式值fund-a leads acme-examples Series A roundbetfundraise0.75## Takes中的显式值Vertical-depth competitive thesis will look weaker in 12 monthspredictioncompetitive-dynamics0.55## Takes中的显式值每个 claim 还带since_date2026-04-10即会议日与rationale标注者给出该置信度推断依据。注意一个细节prose 中隐含的主张judgment置信度是推断的而## Takes中的显式数字被直接采用——这正是抽取器需要同时处理两种来源的原因。抽取提示词什么算可评分主张真正驱动抽取的是 src/core/cycle/propose-takes.ts 中的EXTRACT_TAKES_PROMPT。其核心定义可评分主张gradeable claim一个可能随时间被证伪的预测、建议或解释性判断。提示词给出正例公司将在 Q3 达到 ARR 里程碑take预测、某创始人执行会出问题take判断、市场将在 18 个月内收缩take预测、I bet alice wins the roundbet、Maybe DTC is quietly coming backhunch。NOT gradeable明确不抽取纯事实X 成立于 2020无背书的转述引语同页内对先前主张的复述。对每条主张模型输出一个 JSON 对象{ claim_text: 字符串≤200 字符改写或近乎原文, kind: take | bet | hunch, holder: world | people/slug | companies/slug | brain作者自述主张时默认 brain, weight: 0..1 数值, domain: 短标签如 tactics、macro、hiring、geography、pricing }置信度weight由对冲语言锚定这是提示词中最可操作的规则I bet/strong conviction→0.7–0.85I think/moderate conviction→0.5–0.7maybe/Id guess→0.3–0.5对照我们的案例Takes 区块的 I bet … Conviction ~0.7 / ~0.75 落在 0.7–0.85 区间上沿prose 中 Im not sure I buy that 被推断为 0.55——与提示词规则完全吻合。设计上还有一条配套铁律见 takes-vs-facts.md 的 Key Learnings禁止虚假精度权重只允许 0.05 步进0.35/0.55/0.75不许出现 0.74 或 0.82。本 fixture 标注恰好全部落在 0.05 步进上是这一规则的样板。kind / holder / weight 三角种类、归属与权重种类kind演进史抽取器实际接受的词汇表是take|bet|hunch外加解析器兜底的fact。值得注意的历史教训源码 #4736 注释早期 4-tag 枚举把噪声带进了分类且提示词曾要求prediction|judgment|bet而解析器白名单fact|take|bet|hunch会把前两者整体强制转成take摧毁种类溯源。修复方案是 parseExtractorOutput 中的LEGACY_EXTRACTOR_KIND_MAPprediction→take、judgment→take的确定性映射使旧模型/缓存输出仍能被正确归类。这也解释了为什么本文案例的 labels 里 prose 主张标judgment、显式赌注标bet、时间性预测标prediction——它们是提示词词汇与 fence 词汇之间的一层语义桥梁。归属holder是谁在主张Take 是多持有者multi-holder的propose_takes捕获任何说话人的信念而非只有脑主本人。默认brain表示作者自述主张people/slug、companies/slug、world可验证事实层面分别覆盖他人、公司与世界级断言。一个高频错误是holder ≠ subject详见 takes-vs-facts.mdalice-example has a hero/rescuer pattern 的 holder 是brain是脑主在判断 alice-example而不是people/alice-example。脑主自身的规范持有者串是self由 dreamconsolidate阶段盖印并通过 src/core/owner-holder.ts 的resolveOwnerHolder解析显式覆盖 emotional_weight.user_holder配置 self。与 Facts 的边界绝不能混淆的两层takes-vs-facts.md 用整整一节强调二者的认识论分工Takestakes表冷存储WHO 相信 WHAT带置信度与时间来源是脑内页面的 LLM 抽取多持有者种类含 take/fact/bet/hunchFactsfacts表热记忆仅脑主在对话中陈述的个人知识由 conversation facts hook 实时抓取种类为 event/preference/commitment/belief/fact/idea。两者之间只有一条单向桥dream cycle 的consolidate阶段把热 facts 提升为冷 takes补充归属、去重、时间推理。禁止把他人信念倒进 facts 表也禁止未经转换把 facts 灌进 takes 表。本文案例中 fund-a 合伙人的看法、alice-example 的论点是典型的多持有者 takes若被误写成脑主的 personal facts 就违背了这条架构纪律。端到端管线从提案到校准画像1. propose_takes只写提案不碰正式表propose_takes阶段src/core/cycle/propose-takes.ts扫描自上次运行以来更新过的 Markdown 页面把每页 prose 交给调优过的抽取器将可评分主张写入take_proposals队列。源码头注释D17明确其姿态该阶段绝不直接改写正式 takes 表从队列到正式 fence 的唯一路径是操作者通过gbrain takes propose --accept N显式确认。关键工程机制幂等缓存唯一索引(source_id, page_slug, content_hash, prompt_version)保证未变更的页面绝不重复花费 LLM token——content_hash是页面正文的 SHA-256contentHash而提升PROPOSE_TAKES_PROMPT_VERSION当前v0.36.1.0-tuned-cat15-kinds4736可干净地使缓存失效让调优后的提示词对全部页面重新提案。空抽取墓碑tombstone零主张页面写入一行(no gradeable claims)墓碑statusrejected不会出现在待审队列否则幂等元组永远不落库、每轮 cycle 都会对不变的空页面重复烧钱。F2 fence 去重页面已有!-- gbrain:takes:begin --fence 时抽取器会拿到已有行作为已捕获内容输入防止用户在已有 takes 的页面上新增 prose 时重复提案extractExistingTakesForDedup。deadline 派生而非硬编码#4168阶段预算从真实剩余 job 时间推导占 job 的 0.8 并扣除保留窗口不足 2 分钟MIN_PROPOSE_TAKES_BUDGET_MS时诚实跳过而非死磕中途触限则返回部分结果deadline_hit: true已入账的工作保留。截断重试#4494thinking 模型的推理 token 计入maxTokens2048 默认值下密集页面会被永久截断成重试循环。因此输出上限可通过dream.propose_takes.max_tokens/dream.propose_takes.retry_max_tokens配置默认 2048/4096下限 256重试上限强制 ≥ 基础上限截断时先按抬高上限重试一次仍截断则抛出明确指明截断的错误。预算与熔断每页调用前按 ~1500 输入 500 输出 token 预估做预算检查cycle.propose_takes.budget_usd默认 $5.0鉴权/计费错误首次即熔断、限流连续 5 次熔断#3044连续 5 次零成功则判定抽取器通道死亡提前终止#3763避免对剩余页面重复计费。2. grade_takes用证据裁决赌注用户接受的 take 进入正式表后grade_takes阶段src/core/cycle/grade-takes.ts对足够久、已有结局数据的未裁决 take 做混合检索取证 法官模型裁决。裁决 promptGRADE_TAKE_PROMPT要求输出verdictcorrect / incorrect / partial / unresolvable、confidence、reasoning三字段且明确证据稀疏或含糊时应返回unresolvable并让置信度反映证据缺乏而不是假装确定。取证细节#2811证据检索以主张文本做混合搜索关闭扩展、限定在 take 的 source 内、排除 take 自身所在页防止法官拿主张自己当证据每条命中按 take 的since_date标注时间关系——早于主张的只是背景不是结局。零命中与检索失败降级为显式提示引导法官走向unresolvable而非编造。自动裁决默认关闭D17 保守姿态裁决先写take_grade_cache且appliedfalse操作者建立信任后再开cycle.grade_takes.auto_resolve.enabled开启后单法官路径要求置信度 ≥ 0.95集成路径要求三模型全部一致且最低置信度 ≥ 0.85且unresolvable永不参与共识计数。3. calibration_profile把系统偏差变成画像裁决积累后校准画像阶段输出你在哪些领域系统性正确/错误。设计文档 calibration-quality-gate-spec.md 给出了设想的可发布输出形态Your company_outcome calls are 73% accurate…。需要特别说明的是该文档标注为design, largely unshipped——其中的 falsifiability 过滤、按类别校准画像等章节多数尚未落地已落地的是takes_resolution_consistencyCHECK 约束与TakesScorecard的 unresolvable 字段请勿将其当作当前版本行为。文档同时记录了生产观测96K 页面脑、36K takes、6,239 个 holder6.8% 可证伪率、50% 不可裁决率这解释了为何grade_takes需要比propose_takes窄得多的对未来结局可证伪的预测子集——抽取全量信念是正确的takes 层职责但裁决只应落在可证伪子集上。质量门禁可复现的跨模态评估抽取提示词不是拍脑袋调出来的。源码注释记录了 cat15 评估的实测数据首次线上运行训练集平均 F10.952目标 0.85超 10 个点Holdout 平均 F10.922目标 0.80超 12 个点训练-留出差距0.03无过拟合信号按文体看people 页是最难体裁F1 底线 0.80概念含时间线与会议纪要两类在 holdout 上拿到 1.00——这解释了为何语料要按文体分层、且会议纪要本文案例的文体是强项。线上持续质量由 docs/eval-takes-quality.md 定义的gbrain eval takes-quality保证三个前沿模型按 5 维评分卡accuracy、attribution、weight_calibration、kind_classification、signal_density给抽取样本打分聚合出 PASS/FAIL/INCONCLUSIVE收据持久化到eval_takes_quality_runs表并落盘。子命令矩阵命令是否需要脑退出码gbrain eval takes-quality run [flags]是采样 takes0 PASS / 1 FAIL / 2 INCONCLUSIVEgbrain eval takes-quality replay receipt否仅读盘同上gbrain eval takes-quality trend [flags]是读运行表0gbrain eval takes-quality regress --against receipt是0 OK / 1 回归常用 flag 包括--limit N默认 100、--cycles N、--budget-usd N、--slug-prefix P、--models a,b,c与--json。CI 化的典型用法是先跑一次基线存盘改动抽取提示词后执行regressgbrain eval takes-quality run --limit 100 --json .ci/takes-quality-baseline.json # 修改抽取提示词后 gbrain eval takes-quality regress --against .ci/takes-quality-baseline.json --threshold 0.5 # exit 0 → 无超过阈值的退化exit 1 → 某维度均值下跌超 0.5CI 失败regress会复用先前收据的模型面板、slug 前缀与来源保证同口径对比corpus_sha8/prompt_sha8/rubric_sha8差异只作信息性警告。此外 takes-vs-facts.md 记录了 2026-05-10 在全量 ~100K 页面脑上的生产抽取数据100,720 takes、6,239 holders、$361.49其 5 维评估表给出 Attribution 6.5 分为最低项并据此沉淀出 6 条提示词工程要点其中最值得铭记的两条是Amplification ≠ endorsement纯转发最多给 0.55与Self-reported ≠ verified自报 7 位数营收→ holderperson、weight0.75而非 world/1.0。从 Followups 到闭环会议纪要的下一步fixture 末尾的## Followups90 天复查地域模型、获取竞对 win-rate在 gbrain 里不是摆设——它对应脑内的开放回路open loops实践参见 docs/guides/open-loops.md 的闭环方法论会议中产生的待办/待查项与 takes 一样是从叙事中剥离的可执行信号。grade_takes之所以能对LA 比 SF 慢垂直深度护城河 12 个月后变弱这类主张做裁决正是因为 Followups 把何时、以什么证据复查显式化了——一个带时间边界、带证据获取计划的 take才是一个可裁决的 take。实操建议汇总写笔记时就显式化赌注## Takes区块里的 I bet… Conviction ~X 是抽取器与标注器都最偏爱的形式置信度区间规则0.3–0.5 / 0.5–0.7 / 0.7–0.85可直接照用保持 0.05 步进避免虚假精度污染校准统计区分 holder 与 subject把他人论点归到people/slug而非脑主名下为每条预测附带复查时点与证据来源对应 Followups降低后续unresolvable比例不要把 takes 与 facts 混存通过gbrain takes list、gbrain takes search --semantic、gbrain think检索 takes通过gbrain recall检索 facts。最后回到本文开头的样本一份看似普通的融资会议纪要在 gbrain 的语料、提示词与管线的共同作用下被稳定解析为 6 条带归属、带领域、带置信度的结构化主张进而进入提案 → 人工确认 → 证据裁决 → 校准画像的闭环。这正是 test/fixtures/calibration/ 语料库存在的意义——让提示词的每次调整都有可回归、可防泄漏、可量化评估的耐久靶标A stable regression set for the extract-takes prompt语料库 README 原话。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 校准语料库实战从招聘会议记录中提取带置信度的可评分主张Takesgbrain 校准语料库实战从招聘会议记录中提取带置信度的可评分主张Takes 本文以 gbrain 仓库 test/fixtures/calibrati人工智能RAGAgent 记忆MCP 服务知识管理从会议记录到结构化观点gbrain 的 takes 提取机制与校准语料库实战解析从会议记录到结构化观点gbrain 的 takes 提取机制与校准语料库实战解析 本篇技术指南以 gbrain 校准语料库中的一张典型会议记录页 meetin人工智能RAGAgent 记忆MCP 服务知识管理markmap会议记录实时生成结构化会议纪要markmap会议记录实时生成结构化会议纪要 痛点与解决方案 你是否遇到过以下会议记录困境会议讨论热烈但后续行动模糊、关键决策淹没在冗长文字中、参会者对会议数据可视化前端CLI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
