个人知识库产品系统

1.背景与痛点
现在个人和小型技术团队的知识，散落在很多地方：浏览器收藏的网页、AI 助手的对话、IDE 里的代码片段、笔记软件里的想法。每换一个工具，上一处积累的上下文就接不上，等于反复从零开始。
具体有几类反复出现的困境：
资料孤岛：IMA 里存了几百篇网页、qclaw 里推演过的结论、Trae / zcode 写下的代码决策，彼此看不到、搜不到。
手工维护成本高：传统 wiki、双链笔记要靠人持续整理，规模一大就荒废，变成又一个无人维护的坟场。
记忆污染：旧的、错的结论没有衰减机制，会一直误导后续检索，越用越偏。
跨软件不通：AI 对话上下文无法沉淀为可检索的长期记忆，换个会话就丢了。
规模死链：笔记超过几百页后，靠标题互链的文档一改名就断，链接维护成本爆炸。
2.目标定位
本项目给「多工具重度用户 / AI 工程师」做一个本地优先、跨软件共享的单一记忆层：资料进来一次，所有工具经统一接口取用；原始资料自动蒸馏成结构化 wiki，查询读 wiki 而非翻原文。
核心价值是三点：把散落的资料收敛成一处真源；让多款软件共享同一份记忆；用蒸馏 + 治理让这份记忆长期可用、不被污染。

2.1 自动提炼（LLM Wiki 蒸馏，FR-01）
摄入原始资料后，经 5-Pass 管道自动蒸馏成结构化 wiki，每条事实带 source 溯源与校准置信度（0.0–1.0）。这不是靠人手工维护的笔记，而是「原始资料 → 编译 → 结构化知识」的自动闭环。

2.2 跨软件共享记忆（MCP 接入层，FR-07 / NFR-02）
内置 Python MCP Server（stdio 传输），向 qclaw / Trae / zcode / WorkBuddy / Hermes 等客户端暴露统一接口。内核零硬编码任何客户端，换客户端只改一条角色身份。

2.3 通用检索（FR-09 / NFR-01）
BM25 全文与向量并行召回，RRF 融合（BM25 占 40% / 向量占 60%，权重写死为常量）。支持 3 档 scope 强制锁：

project:项目X——只读锁死本项目；
+相关学习——项目加相关学习资料；
global-learning——全局学习（MVP 后补）。
检索结果按校准置信度加权排序。

2.4 双 index 软隔离与稳定双链（NFR-05 / NFR-06）
学习资料库与项目资料库两个 index，默认作用域软隔离而非硬墙。双链用稳定 id 而非标题，改名只改 title 不死链，backlinks 全库扫描。

2.5 IMA 网页资料归集（FR-03 / FR-10）
经 IMA OpenAPI 直连，从「咖啡的知识库」指定文件夹单向拉取 append-only 源文档并落库；增量靠 media_id 去重。接入封装为独立 ima_integration/ 包，零 KB 核心依赖，不侵入核心 schema。

2.6 质量治理（NFR-08 / NFR-14 / NFR-16 / NFR-19 / NFR-20）
作废级联：raw 作

3.1 总体范式
采用 Karpathy 提出的 LLM Wiki 范式：先编译、后查询。原始资料为真源（L1 raw），编译产物为 L2 wiki，两层分离。查询走 wiki + 检索而非直接翻原文，规模上来也能查。

3.2 存储设计（NFR-01）
单一 SQLite 库 brain/meta/knowledge.db 同库存四类数据：

sqlite-vec 向量表：维度 1024，模型 bge-large-zh-v1.5；
FTS5 全文表：BM25 召回；
nodes / edges 轻量图谱：仅持久化显式边，隐式关系由 LLM 查询时推断、不落库；
raw / wiki 文档表：带 source 溯源、confidence、status。
外加 learning-index.md 与 project-index.md 两个索引文件；但 >500 页规模下查询不靠全量喂 index，而是走向量 + FTS 检索。

3.3 模块实现（M1–M7）
模块 目录 内容
M1 存储地基 db/ 单 SQLite schema + 冷启动「说明情况.md」+ meta 指针
M2 编译引擎 ingest/ trigger_compile（5-Pass / 双链稳定 ID / 增量 diff / 密级拦截）、void_raw（作废×0.3 + 三角形衰减）、calibrate（isotonic 校准 + ECE