Project Mirror 完整清单

一、设计哲学

  1. 对信息：不是获取更多，而是穿透更深。
  2. 对自己：大脑是索引器和推理器，不是硬盘。
  3. 对他人：读行为和决策，不读言论和叙事。
  4. 核心立场：让隐藏的东西可见。

二、元原则

  1. 准确优先：宁可不回答，不可回答错。
  2. 可追溯：每一个结论都必须能指回原文或证据。
  3. 认知诚实：不知道就明确说不知道，不生成"像模像样"的幻觉。
  4. 掌控感：用户掌控数据、逻辑、基础设施，不依赖黑箱。
  5. 原文至上：任何总结都有信息损失，系统定位而非替代阅读。

三、对信息的需求

  1. 信噪分离：过滤99.9%的噪音，只让0.1%的真正信号进入认知系统。
  2. 惊奇度过滤：优先处理能打破现有认知模型的内容，而非确认已知的变体。
  3. 林迪效应：经过时间检验的内容权重更高，最新的往往噪音最大。
  4. 语境还原：金句脱离背景就失去意义，必须还原说话的条件和对象。
  5. 结构显影：看到隐含假设、逻辑链条、边界条件，而非表面内容。
  6. 沉默分析：识别作者选择不谈的角度、省略的步骤、未言明的前提。
  7. 湿货捕获：干货AI都能给，真正稀缺的是模糊环境下的手感、直觉、权衡。

四、对自己的需求

  1. 索引而非存储：系统承担存储和检索，释放大脑去做连接和判断。
  2. Just-in-Time：需要时才调取，不做Just-in-Case的囤积。
  3. 准确可信：现有产品找的不全、答的不准、看原文不便，这是刚需。
  4. 认知地图：可视化自己知道什么、不知道什么、以为知道但其实模糊的。
  5. 迷雾与清晰：区分验证过的知识和只是收藏过的知识。
  6. 连接发现：自动识别新输入与旧知识之间的潜在关联。
  7. 私人基础设施：从FastAPI开始，建立自己可控的AI infra，不依赖第三方。
  8. 私人内阁：多角度、多角色审视同一个问题，辅助决策。
  9. 私人DeepResearch：针对问题深入挖掘，穿透表面抵达本质。

五、对他人的需求

  1. 穿透叙事：区分"被表达的逻辑"和"真实的思考过程"。
  2. 言行对比：对比他说了什么和他实际做了什么，找到差距。
  3. 决策模型提取：从多个行为案例中抽象出"如果…则…“的取舍逻辑。
  4. 约束条件重建：还原当时的资源限制、信息完备度、时间压力、情绪状态。
  5. 非标内容挖掘：寻找复盘日志、失败案例、极端压力下的应激反应。
  6. 逻辑悖论识别：找出论述中的矛盾、断裂、循环论证。
  7. 影响力解剖：分析修辞策略、情绪操控、利益立场对表达的影响。

六、交互与体验需求

  1. 可见的工作过程：用户能看到系统在做什么、怎么做的、为什么这么做。
  2. 不确定性显性化：系统不确定的、在猜的、证据不足的，必须明确标注。
  3. 冲突透明呈现：当不同分析得出矛盾结论时，呈现分歧而非强行统一。
  4. 对抗性内置：系统默认寻找反例、攻击漏洞，而非顺着用户说话。
  5. 苏格拉底追问：通过持续追问逼出用户自己没意识到的隐含假设。
  6. 即时反馈：做一个动作立刻看到结果，缩短反馈周期。
  7. 进度可视化：知道自己在哪里、学到了什么、还有什么盲区。
  8. 低失败成本：可以试错、可以被打脸，不产生社会性后果。

七、输出与整合需求

  1. 高惊奇度生产：基于已有认知生成能给他人带来信息增量的内容。
  2. 反脆弱培养：通过持续暴露盲区和对抗训练，提升对信息的直觉和判断力。
  3. Trade-off完整呈现：把决策的显性/隐性收益与成本、短期/长期账本摊开。
  4. 跨域迁移：发现不同领域知识之间可能的关联和类比。

八、系统能力需求

  1. 全源接入：支持URL、PDF、Markdown、本地知识库、主动检索等多种输入。
  2. 分级处理：根据内容价值自动或手动选择轻量索引、标准处理、深度研究。
  3. 多Agent协作：语境还原、逻辑显影、行为考古、溯源校验并行工作。
  4. 双层视图：左侧原文、右侧空白层（批注、对照、锚点）并列呈现。
  5. 认知地图：动态知识图谱，标注清晰区、迷雾区、空白区、连接线。
  6. 状态转换机制：定义知识从迷雾变清晰的触发条件（验证、对抗、行为证据）。

九、技术与架构需求

  1. 私有化部署：优先本地运行，数据不出本机。
  2. 数据主权：所有数据可导出、可迁移、可删除。
  3. 模块化设计：LLM可替换、Agent可扩展、存储可切换。
  4. API预留：为未来外溢和产品化预留接口设计。

十、边界与诚实声明

  1. 能做什么：公开信息的深度处理、逻辑结构的显影、已有知识的索引串联。
  2. 不能做什么：获取非公开信息、替代用户做判断、保证100%准确。
  3. 冷启动策略：新用户如何从零开始逐步建立知识库并获得早期价值。

十一、价值主张

  1. 自用优先：先为自己服务到极致，再考虑外溢。
  2. 认知穿透：穿透信息的噪音层、自己的盲区层、他人的叙事层。
  3. 让空白可见：读到文字的同时，也读到文字没有说出的东西。

单独的思考

十二、逻辑与假设

  • 作者的隐含假设（他觉得理所当然、所以没写出来的前提）
  • 逻辑链条的断裂点（从A跳到C，中间的B被省略了）
  • 利益与立场（为什么这个人要说这件事）
  • 语境依赖（这句话在什么条件下才成立）
  • 沉默的替代方案（他选择说这个，意味着他没选择说什么）
  • 行动与言论的差距（他说了什么，他做了什么）

十三、分析事情的核心原则：

  • 简化是必要的，但要选择有效的简化方式
  • 归因要选择层次，优先选择可追问、可干预的层面
  • 警惕万能解释，主动寻找反例和边界条件
  • 区分效果和动机，对动机判断保持谨慎
  • 保持比较视角，区分特有现象和普遍现象
  • 框架是工具不是答案，要加约束条件才能用
  • 追问有终点，停在可干预的层面
  • 对批判本身也要批判，包括对自己的分析

设计思路

Project Mirror: The Cognitive Glass Box

Version: 1.0 (Architecture Definition)

〇、 元原则 (Meta-Principles)

  1. Negative Space First: 永远优先展示缺失的（假设、未言之物、行动）。

  2. Adversarial by Design: 系统默认角色是“友好的反对者”，而非“顺从的助手”。

  3. Transparency: 用户必须能看到 Agent 的思考路径（Chain of Thought）。

  4. Private Sovereignty: 数据不出户，逻辑可修改。

一、 输入端：全源捕获与分流 (Input & Triage)

1.1 多模态捕获层

  • Deep Source (深度源): URL / PDF / EPUB（长文本）。

  • Quick Capture (瞬时源): 移动端语音/文字快照（捕捉情绪与灵感）。

  • Legacy Base (遗产库): 导入的 Markdown 笔记 / 电子书库。

  • Active Query (主动指令): “帮我研究一下XX的失败史”。

1.2 信号门控 (The Gatekeeper) [关键优化]

  • 在调用昂贵的 Agent 之前，先进行低成本判断：

  • 去重 (Deduplication): 这东西我以前记过吗？

  • 林迪过滤器 (Lindy Filter): 这是一个存在了 10 年的概念，还是上周的流行语？

  • 惊奇度计算 (Surprise Metric): 与本地向量库对比，距离越远，惊奇度越高。

    • 低分处理: 仅归档，不分析。

    • 高分处理: 触发全量 Agent 工作流。

二、 处理端：透明工单系统 (The Glass Box)

2.1 编排器 (The Orchestrator)

  • 根据输入类型，动态组装 Agent 战队（如：处理财报需要“利益分析”，处理哲学需要“逻辑显影”）。

2.2 核心 Agent 矩阵 (The Agents)

  • a) 语境还原 (Context Builder):

    • 任务: 把孤立文本放回时空坐标系。

    • 输出: [时间线] + [关联人物] + [本地库关联笔记]。

  • b) 逻辑显影 (Structure X-Ray):

    • 任务: 剥离修辞，提取骨架。

    • 输出: [隐含假设] + [逻辑断点] + [沉默分析（未讨论的视角）]。

  • c) 行为考古 (Action Archeologist):

    • 任务: 寻找非标内容（复盘、交易、决策）。

    • 输出: [言行一致性评分] + [关键决策时刻还原]。

  • d) 利益溯源 (Incentive Tracer):

    • 任务: 分析“谁在施压”和“屁股在哪”。

    • 输出: [利益结构图] + [潜在偏见警示]。

2.3 溯源与诚实校验

  • Uncertainty Flagging: 任何无法交叉验证的结论，强制标记为“推测”。

三、 输出端：多维交互视图 (Interaction Layers)

3.1 阅读态：双栏显影 (Mirror View)

  • 左侧 (Text): 纯净原文/笔记。

  • 右侧 (The Void): 动态注释流。

    • Feature: 点击任意注释，展开 Agent 的推理证据链。

    • Feature: 侧边栏“沉默热力图”，显示文章完全忽略了哪些维度。

3.2 思考/写作态：副驾驶干扰 (Interruption Mode) [新增]

  • 当你正在输入时，系统进行 Real-time Check：

    • “注意：你这个观点与你 2024 年 10 月的笔记矛盾。”

    • “提示：你正在使用滑坡谬误。”

3.3 决策态：竞技场 (The Arena)

  • Trade-off Dashboard: 显性收益 vs 隐性成本。

  • Red Teaming: 点击“攻击我”，AI 生成 3 个基于事实的致命反例。

  • Pre-mortem (事前验尸): “假设这个决策失败了，通过什么路径失败的？”

3.4 全局态：战争迷雾地图 (Fog of War Map)

  • 可视化: 基于知识图谱。

  • 点亮机制: 只有经过“苏格拉底拷问”或“行为验证”的节点才会点亮。

  • 连接推荐: “你以为无关的两个点，其实有共同的底层结构。”

四、 基础设施与技术栈 (Infrastructure)

4.1 核心栈 (FastAPI + Local-First)

  • Backend: FastAPI (Python)。

  • Orchestration: LangGraph (这是目前处理复杂 Agent 状态机最好的库)。

  • Storage:

    • Vector: ChromaDB (本地部署，存文本嵌入)。

    • Graph: Neo4j (存实体关系，做地图)。

    • Raw: SQLite (存原文和日志)。

4.2 模型策略 (Hybrid LLM)

  • Privacy Layer: 使用 Ollama (Llama-3/Mistral) 处理敏感的个人笔记整理。

  • Intelligence Layer: 使用 DeepSeek-V3 / Claude-3.5-Sonnet (API) 处理复杂的逻辑推理和代码生成（需脱敏）。

  • Search Layer: 接入 Tavily / Serper API 进行实时网络检索。