Molore

Appearance

认知生产管线接入方案（精简版） ​

把胡子哥「认知生产管线」的核心理念，嵌入现有「Molore」。 目标：不臃肿、可运行、抓核心。

一、要解决的真正问题 ​

现有系统能存、能搜、能聊，但缺少一条让知识自我进化的生产线。

用户现在的状态：灵感/笔记/剪藏 → 存进去 → 放着 → 再也不看。

需要变成：灵感 → 加工成卡片 → AI 抽取概念 → 碰撞已有概念 → 产生新洞见 → 审核注卡 → 回到循环。

二、核心改动（只做 4 件事） ​

改动 1：知识生产阶段（pipeline_stage） ​

给 notes 和 knowledge_units 加一个字段：

sql
ALTER TABLE notes ADD COLUMN pipeline_stage TEXT DEFAULT 'raw'
  CHECK(pipeline_stage IN ('raw', 'card', 'stored', 'extracted', 'collided', 'approved'));
ALTER TABLE knowledge_units ADD COLUMN pipeline_stage TEXT DEFAULT 'raw'
  CHECK(pipeline_stage IN ('raw', 'card', 'stored', 'extracted', 'collided', 'approved'));

含义：

  • raw — 原始灵感/碎片（对应 00 灵感库）
  • card — 已写成知识卡片（对应加工后）
  • stored — 已入库
  • extracted — AI 已抽取关键概念
  • collided — 已完成概念碰撞
  • approved — 审核通过，正式注卡

前端体现：列表页加一个「阶段」筛选，一眼看清知识在哪里卡住了。

改动 2：Wiki 概念库（自动抽取） ​

复用现有 knowledge_units 表，新增一个 content_subtype：

sql
ALTER TABLE knowledge_units ADD COLUMN content_subtype TEXT DEFAULT 'note'
  CHECK(content_subtype IN ('note', 'concept', 'collision_result'));

运行逻辑：

  1. 用户写了一张知识卡片（pipeline_stage='card'）
  2. 触发 AI 分析：提取 1-3 个核心概念
  3. 概念写入 knowledge_units，content_subtype='concept'，source_id 指向原卡片
  4. 已有概念不再重复写入（增量更新）

Prompt 示例：

分析以下知识卡片，提取 1-3 个核心学术/认知概念。
要求：
- 只提取真正跨学科、可复用的抽象概念
- 如果概念已存在，不要重复
- 返回格式：JSON [{"concept": "xxx", "definition": "一句话定义", "discipline": "所属学科"}]

内容：{card_content}

改动 3：概念碰撞（Cognitive Dagger） ​

利用现有向量数据库（ChromaDB/Embedding）和知识图谱。

运行逻辑：

  1. 从 Wiki 概念库中取一条新抽取的概念 A
  2. 用向量相似度搜索已有概念（排除自身来源），找相似度 0.6-0.75 的概念 B
  3. 为什么不是更高？太低 = 垃圾连接；太高 = 本质相同，没新意
  4. 把 (A, B) 交给 AI，要求产生「新认知洞见」
  5. 结果存入 knowledge_units，content_subtype='collision_result'
  6. 同时在 graph_edges 中创建一条 edge_type='collision' 的边

Prompt 示例：

两个概念即将发生碰撞：
概念 A：{concept_a}（来自 {source_a}）
概念 B：{concept_b}（来自 {source_b}）

它们有一定关联，但不完全相同。
请基于这两个概念，推导出一个新的认知洞见。
要求：
- 不是简单拼接，而是真正的跨界推导
- 用一句话概括核心洞见
- 给出简要推导过程

返回 JSON：{"insight": "洞见", "derivation": "推导过程"}

前端体现：新增「概念碰撞」页面，显示今日碰撞结果，用户一键「注卡」（审核通过）或「丢弃」。

改动 4：AI 全知上下文（引导文件） ​

现有 AI 对话每次从零开始。要让 AI 知道用户的全部知识积累。

最小可行方案：

在后端 llm_service 中，每次对话前自动生成一个「用户知识摘要」注入系统提示：

python
SYSTEM_PROMPT_TEMPLATE = """
你是用户的认知伙伴（朋友、老师、对手、知己）。
你拥有用户知识库的完整上下文，每次对话都建立在昨天的记录之上。

【用户知识概览】
- 总笔记数：{total_notes}
- 总概念数：{total_concepts}  
- 近期关注领域：{top_tags}
- 最近完成的概念碰撞：{recent_collisions}
- 正在进行的项目：{active_projects}

【对话原则】
- 直接引用用户知识库中的具体笔记/概念作为证据
- 指出用户思维中的缝隙和矛盾
- 给出可执行的下一步建议，而非泛泛而谈
- 如果用户内容太肤浅，直接说"这太浅了"
"""

实现方式：每次调用 LLM 前，异步从数据库拉取用户最近 30 天的统计摘要（不需要全文，只需摘要），拼进系统提示。

三、不做的（避免臃肿） ​

胡子哥原系统为什么不做替代方案
6 目录 Vault 结构现有分类体系（笔记/知识/剪藏/胶囊）已够用用 pipeline_stage + tags 映射
大小模型配合路由现有 LLM Router 已支持多模型切换复用现有路由，碰撞任务走能力强的大模型
温度调参 UI非核心功能后端固定创意任务 temperature=0.7
Skills 脚本系统属于个人自动化，与知识库主线无关用户自行维护，系统不内置
完整的浮墨(flomo)集成现有 RSS + Clip 已覆盖碎片输入剪藏和 RSS 即浮墨
三审六部审核流程太重简化为「注卡/丢弃」二选一

四、新增 API（共 3 个） ​

1. 触发概念抽取 ​

POST /api/v1/knowledge/{id}/extract-concepts
  • 输入：note_id 或 knowledge_unit_id
  • 动作：AI 分析内容 → 提取概念 → 写入 Wiki 库
  • 副作用：pipeline_stage 从 card → extracted

2. 触发概念碰撞 ​

POST /api/v1/concepts/collide
Request: { "concept_id": "xxx" }
Response: { "collision_id": "yyy", "insight": "...", "similarity": 0.68 }
  • 输入：一个概念 ID
  • 动作：向量搜索相似概念 → AI 碰撞 → 生成洞见
  • 副作用：pipeline_stage 从 extracted → collided

3. 审核碰撞结果（注卡/丢弃） ​

POST /api/v1/collisions/{id}/review
Request: { "action": "approve" | "reject", "feedback": "..." }
  • approve：pipeline_stage → approved，内容进入正式知识库
  • reject：内容标记为废弃，不再推荐

五、前端新增（共 2 页 + 1 弹窗） ​

页面 1：认知管线仪表盘（/pipeline） ​

┌─────────────────────────────────────────────┐
│  🏭 认知生产管线                               │
├─────────────────────────────────────────────┤
│  今日产出                                     │
│  ┌─────────┐ ┌─────────┐ ┌─────────┐       │
│  │ 📝 3张  │ │ 🔬 2个  │ │ 💥 1次  │       │
│  │ 新卡片  │ │ 新概念  │ │ 碰撞    │       │
│  └─────────┘ └─────────┘ └─────────┘       │
├─────────────────────────────────────────────┤
│  管线状态                                     │
│  原始灵感 ████████░░ 8                      │
│  知识卡片 ██████░░░░ 6                      │
│  已抽取   ████░░░░░░ 4                      │
│  已碰撞   ██░░░░░░░░ 2                      │
│  已注卡   █░░░░░░░░░ 1                      │
├─────────────────────────────────────────────┤
│  [一键运行管线] ← 自动跑完抽取+碰撞            │
└─────────────────────────────────────────────┘

页面 2：概念碰撞台（/collisions） ​

┌─────────────────────────────────────────────┐
│  💥 今日概念碰撞                               │
├─────────────────────────────────────────────┤
│  #1 相似度 0.72                              │
│  「认知带宽」 × 「注意力配额」                 │
│  ─────────────────────────────────────────   │
│  💡 洞见：人的注意力总量是有限的，当你在       │
│     身份维护上投入过多认知带宽，就会挤出       │
│     真正有价值的创造性思考。                   │
│  [注卡] [丢弃] [写卡片延伸]                   │
├─────────────────────────────────────────────┤
│  #2 相似度 0.68                              │
│  「控制环悖论」 × 「流量陷阱」                 │
│  ...                                         │
└─────────────────────────────────────────────┘

弹窗：内容深度检查 ​

用户保存笔记/知识时，AI 快速评估：

  • 如果内容只是摘抄，没有自己的推导 → 提示：「这更像书摘，建议加一段"我的看法"」
  • 如果内容太泛泛 → 提示：「可以更具体，比如举一个你经历过的例子」
  • 如果深度够 → 绿色通过标记

六、与现有功能的关系 ​

现有功能衔接方式
双脑架构碰撞输入来源可以是个人脑（笔记）和网络脑（剪藏）的混合
知识图谱碰撞结果自动创建 collision 类型边，图谱新增「碰撞视图」
涌现工作室概念碰撞就是「跨域联想」的自动化版本
认知镜像AI 全知上下文让「思维缝隙检测」更精准
LLM 路由抽取概念走小模型/快模型；碰撞推导走大模型
向量数据库概念碰撞的核心依赖，已有能力直接复用

七、实施顺序（3 天） ​

Day 1：阶段 + 抽取

  • 加 pipeline_stage 和 content_subtype 字段
  • 实现 /extract-concepts 接口
  • 前端列表加阶段筛选

Day 2：碰撞 + 审核

  • 实现 /collide 接口（基于现有向量搜索）
  • 实现 /review 接口
  • 前端做「碰撞台」页面

Day 3：管线 + 上下文

  • 做「认知管线仪表盘」页面
  • 给 LLM 对话注入用户知识摘要
  • 加保存时的内容深度检查弹窗

八、一句话总结 ​

给现有知识库加一条「生产流水线」：卡片写成后自动抽概念，概念之间自动做碰撞，碰撞结果由你一键注卡——让知识自己长大。

基于 AGPL-3.0 协议发布。

© 2024-2026 Molore Contributors