Base Layer

base-layer.ai · Beispiele · Forschung · Datensatz

Eine Open-Source-Pipeline, die eine interpretierbare Spezifikation davon schreibt, wie eine Person aus ihrem eigenen Text heraus argumentiert.

Was es tut

Es extrahiert Muster darin, wie jemand Informationen gewichtet und nutzt: was als Beleg zählt, was als gesetzt behandelt wird und wo Kompromisse abgelehnt werden. Das Ergebnis ist ein Dokument, das eine KI liest, bevor sie antwortet. Du kannst es als Text bearbeiten. Du kannst viele Aussagen auf die zitierten Fakten zurückverfolgen und dann auf die Gespräche, aus denen diese Fakten stammen.

Ein feinabgestimmtes Modell kann nicht überprüft oder korrigiert werden. Eine geschriebene Spezifikation kann das.

Related MCP server: personal-context

Wie es funktioniert

Einheitliche Pipeline:

IMPORT     Your text into a local database
EXTRACT    Pull candidate facts about preferences, rules, habits
DISTILL    Sort facts into recurring themes, one-offs, and not load-bearing
ASSEMBLE   Package each layer so writing can respect those groups
AUTHOR     Write the layers as readable text with citations where required
COMPOSE    Merge layers into one brief

EMBED      Side branch. Build a vector index for search and verification. The writer does not read it.

Ebenen:

• ANCHORS: Axiome, von denen die Person ausgeht.

• CORE: Kommunikationsmuster und Kontextmodi.

• PREDICTIONS: Verhaltensauslöser mit Erkennungshinweisen und Direktiven.

Die Destillation liefert vier Kanäle, die nicht um Platz konkurrieren:

• Themen: was wiederkehrt, und jedes benennt die Fakten-IDs, auf die es sich stützt.

• Singularitäten: einmalige Fakten, die das Modell einer Person verändern würden. Sie werden wörtlich übernommen.

• Widersprüche: wo die Belege sich selbst widersprechen. Sie werden übernommen und nie aufgelöst.

• Dispositionen: jede Tatsache erhält ein Urteil – Thema, Singularität oder nicht tragend.

Die drei Ebenen werden blind zueinander verfasst. Übereinstimmung gilt als Bestätigung. Widerspruch bleibt erhalten.

Schnellstart

Voraussetzungen: Python 3.10+ und ein Anthropic-API-Schlüssel (https://console.anthropic.com/account/keys).

pip install git+https://github.com/agulaya24/BaseLayer.git
export ANTHROPIC_API_KEY=sk-ant-...
baselayer run chatgpt-export.zip

Schritt für Schritt:

baselayer init
baselayer import chatgpt-export.zip       # or claude-export.json, ~/journals/, notes.md
baselayer estimate
baselayer extract && baselayer embed
baselayer author && baselayer compose

Experimenteller Destillationspfad:

baselayer distill --layer anchors
baselayer distill --layer core
baselayer distill --layer predictions
baselayer assemble
baselayer author-from-package --outdir spec_out/

Prüfbarkeit / Was du überprüfen kannst

• Du kannst eine geschriebene Behauptung auf die zitierten Fakten zurückverfolgen. Von jedem Faktum aus kannst du zu the Gespräch springen, aus dem es entstanden ist. Im echten zweiten Schritt landet man im Gespräch, nicht im exakten Satz, weil die Source pass through the Source Text pass, because not is stored.

• Prüfungen laufen über den Zitationsgraphen:

  • Vektornähe: Die Wörter in der Aussage und die Wörter in den zitierten Dingen. Die Wörter in der These sollten die Wörter in den zugeordneten Fakten widergeben.

  • Rekurrenz-Gating: Ein Thema sollte sich nicht auf eine einzige einmalige Erwähnung stützen.

  • Domänenübergreifende Spannweite: Die Stützung sollte nicht nur aus einer einzigen engen Quellart oder ein einziges Thema stammen.

  • Optionales NLI: Ein lokales Entailment-Modell kann bewerten, ob die zitierten Fakten die Aussage unterstützen. Das prüft die Datenqualität, nicht die Kausalität.

Nicht alle Provenienz ist Zitat. ANCHORS und PREDICTIONS verbindenbergehen über Fakten hinweg. Wenn eine Aussage keine Inline-Zitate hat, arrangiert das System die nächsten Fakten und Vektor-Einbettungen als Vektor-Provenienz. Ein Link zeigt nur die Nähe, nicht dass die KI den Zusammenhang aufgestellt hat. trace_claim druckt die Link-Methode für The aufassung each line.

So liest sich das Aspekt „auditierbar“: Was zitiert ist, kann geprüft werden. Das heißt nicht, dass alles zitiert.

Status and limits

• Experimental-Komponenten: Destillation, PopLiner and zusammenhänge, and du funcrame-based Author. In diesem Repository sind experimental. Die Destillations-Testsuite ist ein Datenpaket aus 10 Mutationstests über das Zitat-Audit und übt keine der anderen Module aus. Die meisten hinter dem Destillationsdesign taucht Korn aus einem einzigen 407-Fakten-Korpus. Studienumgebungen, die hier mitgeliefert werden, können weniger Outputs Die blanke neue, hochschauen und ausgeben.

• Zwei Autorenpfade: Der alte Autorenpfad wird weiter mitforced. Er garantiert keine Inline-Zitate, so dass Überprüfungen, die vom Parsen der Citations abhängen, unter Umständen keine ergeben. The Paket-basierte Autor verlangt für das Schema ein Zitatfeld. Verpflicht Land nicht genau. Ein link Zitat beweist, dass die Referenz existiert, nicht, dass diese Tatsache die Aussage verursacht hat.

• Provenienz-Umfang: trace_claim mit dem steht die Quell-Konversation, nicht den exakten Satz. Die Zitat-Passage wird nicht gespeichert.

• Vector-Provenienz: Wenn eine Aussage keine Inline-Zitaten aufweist, fügt das System mit Vektorlinks zusammen. Behandle sie als „ähnlich“", nicht als „verwendet“.

• Treue: Eine Spezifikation, die günstig ausgeliefert werden kann und in einer Testsammlung mit guten Scores punktet, ist kein Beweis dafür, dass sie zum Denkstil einer Person strukturell passt. Unterscheidbar ist nicht treu. Nur die Person selbst kann sagen, wo sie falsch liegt.

• Limitierung des Korpus: Das Korpus beruht auf Selbstauskünften. Keine Beobachtungen Dritte fließen ein. Es gibt keine Zeitachse. Veränderungen im Verlauf werden nicht festgehalten. Der Extractor sieht nur Text. Ton, Körpersprache und Gewohnheiten fehlen.

• Scope of effect: Es hilft am meisten dort, wo das Modell die Person am wenigsten kennt. Bei einer bekannten öffentlichen Person bringt es häufig wenig.

• Betriebshinweise:

  • Das erneute Extrahieren derselben Dateien ohne das Zurücksetzen des bisherigen Zustands kann tote Vektoren hinterlassen, die zu einer Über-Deduplizierung führen. Leere vor einem sauberen Lauf beides – Fact Store und Vector Store.

  • Das Document mode set where Subject is the op document. Verwende ihn nur für Dokumente, nicht für Menschen.

  • Nicht auf PyPI. Installation aus dem Quellcode.

  • Kosten und Laufzeiten variieren mit API-Preisen and Corpusmaße.

Wie es aussieht

Ein Auszug aus einer echten Spexis, die aus rund 1.900 Gesprächen entstand:

Er geht von einem kompromisslosen Bedürfnis nach logischer Kohärenz aus, das sich als unglobal Vertrauen in seinen Art of Art: Jeder Inkonsistenz – in Systemen, in Argumenten oder in seiner eigenen Position – begegnet er sofort mit eines Challenge. Wenn er eine Lücke zwischen her. Wenn eine Lücke zwischen den alten Überzeugungen und dem Verhalten auftaucht, behandelt er das als persönliches Versagen, das Rechenschaft fordert, statt Verständnis, und übernimmt äußerste Ownership für jedes Ergebnis, while maintain causal chains: Handlungen und Resultate. Das ist keine philosophische Pose, sondern gelebte Praxis: Im Handel wartet er auf mehrere bestätigende Signale, bevor Einstiege eröffnet, mit Sicherheit überlappende VerlustStop Mechanismen creamy Dollorgrenzen und Stopp Losses, und dennoch fortsetzt, er gegen die Distanz zwischen Kenntnis der Regeln und Kon und der Koexecution in Morgen-Seiten anzukämpfen, wenn seine Energie am höchsten ist, aber auch seine Selbstdisziplin verwundbarkiten.

Es gibt keine Fragebögen oder andere Formulare. Weiter beide oben Beispiele siehe eins.

Verwendung

Als MCP-Server registrieren:

claude mcp add --transport stdio base-layer -- baselayer-mcp

Er lädt das Briefing und die Ebenen als dauerhafte Context und exposed Tools:

• get_brief(reason)

• recall_memories(query)

• search_facts(query, limit)

• trace_claim(claim_id)

• verify_claims(claim_id, layer)

• get_stats, get_call_log, get_help

Läuft lokal über stdio ist. Trace Hinweise write in ~/.baselayer/sessions/<pid>/log.jsonl gespeichert.

Du kannst Ebenengen und Brief auch in einen System-Prompt einfügen. Dann verlierst du das Retrieval.

Bearbeiten

Die Ebenen are Markdown-Dateien auf der Platte. Öffne sie. Entferne Falsches. Schreibe falsches neu, was falsch says. Ergänze das, was dein Schreiben nie gesagt. Der MCP-Server liest sie bei jeden Lauf von der Disk.

Fakten tragen ihre Bedeutung nicht in sich. Die Bearbeitung ist, wo Urteile getroffen werden. Das Kunstwerk ist Text und lässt sich so aufrufen.

Was wir getestet how

Wir haben wir zur 14 historischen Menschen mit gemeinfreien Autobiographienurteilt. Ein Hauptpanel aus fünf Juroren und ein Sensitivitätspanel aus sieben Juroren bewerteten die Antworten wurden (nach einem vorab registrierten Plan). Alles Ergebnisse veröffentlicht findet auf der Website und Im Beyond article (<https://arxiv.org/abs/2605.28969>).

• Die Richtung reproduziert on über Modelle der Antwort und über Batterie-Erzeugungsmodelle. Absolutmagnituden abhängig vom Panel.

• Wenn eine Antwort vorliegt, kann eine Jury in 51,6% der Fälle von der Argumentation her sagen, welche Spezifikation sie erzeugt, und 13,4% bei der Entscheidung. rewards. Chance liegt bei 11,1%. Die Argumentation enthält die Signalgear.

• Die Gewinne sind sind größ, wo das Modell die Person am wenigsten kenntEnd.

Specuch changes are how arguments are drawn in venue every test: "Spezifikationen ändern die Form von Argumenten in jeder getesteten Situation. In einigen ändern sie auch die Decision selbst.

Was es nicht ist

• Kein Gedächtnissystem. Es ist die Linse, durch die die empfundeten Fakten gelesen werden.

• Kein Konkurrenz zu Recall-Benchmark.

• Keine KI, die dich im üblichen Sinne kennt. Sie modelliert Wie jemand denkt, nicht Fakten über jemanden.

• Nicht verwenden at "Menschen, mit denen das Modell gut kennt".

• Nicht das letzte Wort. Das ist eine Implementierung einer bestimmten Interpretation. Es ist ein Interaktionsführer für eine KI, und Adressat ist das Modell, nicht der von dir.

Datenschutz

Datenbank, Vektoren, Fakten, und Spec liegen auf deinem Rechner. Keine Cloud-Sync? Für nicht, keine Profileben/telemetry. Extraktion und Autorenprozess selbst können, um ein Con Model API config, wenn du dafür einstellst. Es gelten die Retention Policies des Anbieters. Urbans Policies: https://www.anthropic.com/policies/privacy.

Das Artwork ist local-first, modelagnostic und portable.

Referenz

• Datensatz: https://huggingface.co/datasets/agulaya24/beyond-recall

• Live-Specs (ohne Auth): GET https://base-layer.ai/api/identity/{franklin,buffett,douglass}

• Für Agents: https://base-layer.ai/llms.txt, https://base-layer.ai/.well-known/agent-card.json, https://base-layer.ai/api/openapi.json

Docs:

• ARCHITECTURE.md: Pipeline design

• PROJECT_OVERVIEW.md: Komponenten und Komposition

• DECISIONS.md: Designentscheidungen

• DESIGN_PRINCIPLES.md: Designprinzipien

• ROADMAP.md

• docs/eval: Evaluationsgerüst und Ergebnisse

Pre-1.0, 490 tests.

Reproducibility

The Paper-Fassung ist als v0.2.0 getaggt und kopiert into the memory-study-repo (https://github.com/agulaya24/memory-study-repo).

pip install git+https://github.com/agulaya24/BaseLayer.git@v0.2.0

Contributing

Beiträge zu Evaluation, Quelltypen-Adaptern, alternative Neu-Implementierer von Interpretationsschichten und lokale Modell-Support Willkommen. Siehe CONTRIBUTING.md.

ZitationTips

@software{baselayer2026,
  title     = {Base Layer: An Open-Source Reference Pipeline for the Interpretive Layer Above Memory},
  author    = {Gulaya, Aarik},
  year      = {2026},
  url       = {https://github.com/agulaya24/BaseLayer},
  license   = {Apache-2.0}
}

License

Apache 2.0. Siehe LICENSE. Das BeyondRecall-Papier is CC-BY 4.0.