梦境循环（上）：大脑在你睡觉时自己整理

你把好几千篇笔记丢进 brain，然后呢？你不可能每加一篇就手动去抽实体、连图谱、校对自己的观点。一个会自我增值的知识系统，得自己动手。gbrain 把这套后台自动整理叫做梦境循环（dream cycle）。

这一课先讲「它整体在干什么、为什么值得信任」，下一课（第 9 课）再讲「它怎么在多 source 间并行、有什么边界」。

一、它到底是啥：一轮有纪律的后台流水线

梦境循环不是一句「AI 自动整理」那么玄。它是一个常驻自动守护（autopilot）每天定时（定时任务 cron）触发的一轮流水线，里面是一串被严格约束的「阶段（phase）」¹。每个阶段只干一件事，而且被一条基类 BaseCyclePhase 管住纪律——source 隔离、预算上限、出错处理都结构化了，少写一步编译都过不了¹。

为什么搞这么重？因为早先每个 phase 各管各的隔离和预算，结果反复出「source 串味」「预算爆了崩」的 bug。把纪律压进基类，是 gbrain 用血的教训换来的——一个要 7×24 小时自己跑的东西，最贵的不是功能，是「不会偷偷跑挂、不会串数据」。

二、一轮里它替你做这些事

一轮梦境循环大致会跑这些阶段²：

• 抽取（extract）：从新笔记里抽实体、关系、结构化字段（接第 6 课 schema pack 的可抽取类型）。
• 嵌入（embed）：给新内容算向量（向量化 embedding）。
• 图谱补全：顺藤摸瓜把笔记间的带类型边补上（第 5 课讲过的 works_at/invested_in）。
• 孤儿清理（orphans）：找出没人连、没人引用的悬空页。
• 净化（purge）：清掉过期、被删、失效的东西。
• 观点抽取与校准（propose/grade takes、calibration_profile）：把笔记里的主观看法抽成观点（takes），并尝试给它们的「可证伪性」打分¹。

对使用者来说，你感知不到这些——你只会在某天检索时发现「咦，新加的公司自动连上了它投资的那家」「我的观点被系统标注了置信度」。幕后就是这轮循环在跑。

三、一个必须如实说清的边界

讲 gbrain 不能只讲光鲜面。梦境循环里有个评分阶段（grade_takes）目前是占位实现（stub）——它的「证据检索器」还没接上真实的检索， verdict 是靠 placeholder 证据产出的³。换句话说，「观点的可证伪性评分」现在还不是基于真实证据的强能力。监督它的人不能把它当已落地的拿来验证。

这种「如实标注哪里是占位」的态度，是读 gbrain 源码最该学的——它不吹自己没做到的东西。你造工具时也该这样：哪些是真的、哪些是骨架，分清并标明。

四、它还顺手做质量自检

梦境循环里有个矛盾探针的采样阶段（第 5 课讲过）：它不全量两两比对（那是 N² 爆炸），而是借混合检索（hybridSearch）找出「会被一起召回」的配对才送大模型（LLM）判，把成本压到线性⁴。这保证你 brain 里「一月看空、九月看多」这种前后打架的观点会被标出来，而你不用自己翻。

五、这一课带走的

• 梦境循环 = 常驻自动守护（autopilot）每天触发的一轮后台整理流水线。
• 它不是黑箱，是一串有纪律的阶段：抽取、嵌入、图谱、孤儿清理、净化、观点抽取与校准。
• 它的价值不在「智能」，在「7×24 不乱跑、不串数据、预算可控」的工程纪律。
• 如实边界：观点评分阶段当前是占位实现，不是真能力。

练习题

参考出处