think：让 brain 帮你推理，以及它对自己的判断有多诚实

你攒了那么多笔记，最终目的不是「存」，是「用」——某天你抛一个问题给 brain：「我到底该不该加仓这家公司？」它怎么组织你散落各处的笔记、观点、事实，给你一个带出处的推理？这一课讲 gbrain think 这个思考命令，以及它背后的「校准（calibration）」机制——系统怎么评估自己观点的可信度。

一、think 是什么：一个远程只读的推理调用

think 不是随便写写。它是个远程只读的命令：当你通过 MCP 接口协议（让 agent 连上 brain 的标准协议）远程调它时，系统会强制关掉 save 和 take——也就是说，远程调用 think 只会读取你的 brain、产出推理，绝不会偷偷把任何东西写回你的知识库¹。这层保护很重要：一个外部 agent 可以请教你的 brain，但不能借「思考」之名往里塞自己的东西。本地 CLI 调用时因为是你自己，才允许持久化。

对使用者意味着：你放心让 agent 用 think 去查你的 brain，它看完就走，不会污染你的笔记。

二、think 怎么组织你的知识来回答

当你问一个问题，think 内部会先做意图分类（是问时间线？还是知识更新？还是别的），再从检索到的实体里挑候选，然后跑一段「轨迹注入（trajectory injection）」——把相关实体随时间的演变（比如某公司估值从 A 到 B 的轨迹）拼进提示词，再结合混合检索（hybridSearch）召回的内容、图谱游走，最后生成带出处的推理²。简单说：它不是凭空编，而是把你的笔记、事实、观点、时间线按相关度拼成证据链再推理。

三、校准（calibration）：给观点打「可证伪性」分

gbrain 有个「校准」概念——它想给抽出来的每个观点（take）评估：这个观点有多可证伪？ 一个「苹果公司会涨」这种没法证伪的空话，和「若 Q3 营收低于 X 则看空」这种能证伪的，价值天差地别。校准档案（calibration_profile）就是干这个的，还配套可视化（brier 趋势图、领域分布图等）³。

但这里必须如实说清一个边界：gbrain 的校准规范（calibration spec）前四节（§§1–4）从未实现⁴。也就是说，文档里描得很好的那套评分体系，目前并没有真正 ship。生产环境里观察到的「可证伪率」大约是 6.8%——这是个真实测量值，但底层评分链路并未完整落地。监督它的人不能把「校准」当成一个已完工的能力去依赖。

为什么我要特意讲这个？因为读 gbrain 源码最大的收获之一，就是它不粉饰未完成的部分。你造自己的工具时也该这样：哪些是真的、哪些是骨架，标清楚，别让使用者误以为一个占位实现是强能力。

四、一个使用者真正该带的走

• think 是请教 brain 的推理入口，远程调用只读不写，安全。
• 它靠「轨迹注入 + 混合检索 + 图谱」把你的知识拼成证据链再答，不是瞎编。
• 校准想给观点打可证伪性分，但 spec 前四节没实现、当前评分链路不完整——这是个已知边界，不是缺陷隐瞒。
• 你问我「它对自己判断有多诚实」——答案藏在它的源码态度里：它把没做到的地方写进注释和文档，而不是藏起来。

练习题

参考出处