你的世界编辑器

2025 年底，一个朋友的问题成为产品起点："三个月前我为什么拒了那个 offer？当时觉得特别有道理，现在完全想不起来了。"

这不是个例。人的记忆天然衰减、碎片化、受情绪偏差影响。每次重大决策调用的不是完整信息源，而是最近几天的情绪快照——决策质量必然下降。

更深层的问题是：市面上的 AI 工具在面对严肃决策场景时，普遍存在"幻觉"与"空泛化"——大模型懂语法，但不懂"经验"。它会给一个听起来合理但可能错误的建议，因为它的本质是概率生成，而非循证推理。

我参考医疗领域的"循证医学（EBM）"理念，构建了"案例蒸馏引擎"：定向萃取全网高信噪比的真实决策案例（职业规划师复盘、心理咨询实录等），设计 150+ 维度的特征提取框架（博弈对象、隐形成本、长期损益等），将非结构化文本转化为机器可读的决策因子。

这相当于给 AI 建了一座"经验智库"——当用户提问时，系统不是去"猜"，而是去"匹配"历史上最相似的真实案例。

核心矛盾：人不能只靠记忆做决策，因为记忆不可靠；AI 也不能只靠概率生成做决策，因为存在幻觉。

现有工具存在三重断层：

• 传统日记/笔记工具——只有"记录"，没有"分析"，摩擦大且无法形成结构化认知

• 通用 AI 聊天——每次对话孤立，不积累对用户的深度理解，依赖训练数据的时效性

• 严肃决策场景——LLM 概率生成的本质与"必须准确"的要求存在根本矛盾，用户无法信任 AI 建议

这不是一个"更好的日记 App"能解决的——这是"重新设计人怎么和 AI 协作进行认知决策"的问题。

核心产品决策是：AI 什么时候该闭嘴、去查真实数据再开口。

三层架构：底层案例蒸馏引擎（采集→蒸馏→特征化→检索）→ 中层六层递进式认知架构（事件归档→情绪识别→检索召回→特征提取→模式发现→路径推演）→ 顶层安全护栏（10 条负面约束清单）。每层解决独立的问题，通过解耦接口协作。

案例蒸馏引擎——[采集-蒸馏-特征化-决策]四层管线：

• 采集层：定向爬取知乎盐选、小红书专业号等信源，NER 脱敏后入库

• 蒸馏层：150+ 维度特征框架，LLM 批量结构化提取决策因子

• 特征化层：Embedding 向量化 + 关键词倒排索引的混合检索策略

• 决策层：用户查询 → Query Understanding 拆解 → 向量检索匹配 → Top-3 案例推荐

六层认知架构——六层解耦，每层有独立的产品价值和用户可感知的反馈：

• 事件归档层：意图识别 + 触发词双阈值策略（≥8 自动记，4-7 问用户）

• 情绪识别层：情绪语义分析 + 三色窗格分类统计

• 检索召回层：语义检索 + 关键词 + 时间加权的混合搜索

• 特征提取层：召回事件与案例库决策因子的匹配映射

• 模式发现层：≥3 条同主题事件且跨度≥7 天 → 自动标记 merge 候选 → Agent 判断是否沉淀

• 路径推演层：三条路径并行推演 + 数据回流分析面板

安全护栏——10 条禁止行为硬编码在最高优先级系统约束中，包括不替用户做决定、不编造案例、不确定时明确说"不确定"、不替代专业咨询等。

技术栈：案例蒸馏引擎（Python Feature Pipeline + LLM 批处理）→ 六层认知架构（多 Agent 协作，1 主 Agent + 5 子 Agent，通过 Markdown 文件做异步消息传递）→ 前端（React 19 + TypeScript 6 + Vite 8 + TailwindCSS 4 的 9 视图全栈 SPA + DeepSeek SSE 流式对话）。