Base Layer

base-layer.ai · 예시 · 연구 · 데이터셋

자신의 텍스트에서 한 사람이 어떻게 추론하는지에 대한 해석 가능한 명세를 작성하는 오픈소스 파이프라인입니다.

기능

어떤 사람이 정보를 어떻게 평가하고 사용하는지의 패턴, 즉 무엇을 증거로 간주하고, 무엇을 확정된 것으로 취급하며, 어디에서 절충을 거부하는지를 추출합니다. 출력물은 AI가 응답하기 전에 읽는 문서입니다. 텍스트로 편집할 수 있습니다. 많은 주장을 인용된 사실까지 추적한 다음, 그 사실이 나온 대화까지 추적할 수 있습니다.

파인튜닝된 모델은 검사하거나 수정할 수 없습니다. 그러나 문서로 작성된 명세는 가능합니다.

Related MCP server: personal-context

작동 방식

통합 파이프라인:

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.

레이어:

• ANCHORS: 그 사람이 추론의 기반으로 삼는 공리.

• CORE: 의사소통 패턴과 맥락 모드.

• PREDICTIONS: 탐지 신호와 지시문을 포함한 행동 트리거.

증류는 공간을 다투지 않는 네 가지 채널을 산출합니다:

• Themes: 반복적으로 나타나는 것. 각각이 의존한 사실 ID를 명명합니다.

• Singularities: 그 사람에 대한 모델을 바꿀 일회성 사실. 원문 그대로 보존됩니다.

• Contradictions: 증거가 스스로와 모순되는 지점. 보존되며 결코 해소되지 않습니다.

• Dispositions: 모든 사실은 하나의 판정을 받습니다. 테마(theme), 일회성(singular), 또는 하중을 지지하지 않음(not load-bearing) 중 하나입니다.

세 레이어는 서로의 내용을 모른 채 작성됩니다. 일치는 확증으로 간주됩니다. 모순은 유지됩니다.

빠른 시작

요구 사항: Python 3.10+ 및 Anthropic API 키(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

단계별 안내:

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

실험적 증류 경로:

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

감사 가능성 / 검증할 수 있는 것

• 문서화된 주장을 인용된 사실까지 거슬러 추적할 수 있습니다. 그런 다음 각 사실에서 해당 사실이 가져와진 대화로 이동할 수 있습니다. 두 번째 단계는 정확한 문장이 아니라 대화에 도달하는데, 원본 본문이 저장되지 않기 때문입니다.

• 인용 그래프에 대해 실행되는 검사:

  • 벡터 근접성: 주장의 단어는 인용된 사실의 단어와 가까워야 합니다.

  • 재발 게이팅: 테마는 단 한 번의 일회성 언급에 의존해서는 안 됩니다.

  • 교차 도메인 범위: 지지는 하나의 좁은 소스 유형이나 주제에서만 나와서는 안 됩니다.

  • 선택적 NLI: 로컬 함의(entailment) 모델이 인용된 사실이 주장을 지지하는지 점수를 매길 수 있습니다. 이는 데이터 품질을 감사합니다. 인과를 증명하지는 않습니다.

모든 출처가 인용인 것은 아닙니다. ANCHORS와 PREDICTIONS는 종종 여러 사실을 종합합니다. 주장에 인라인 인용이 없을 때 시스템은 임베딩을 통해 가장 가까운 사실들을 벡터 출처로 연결합니다. 그 연결은 근접성을 보여줄 뿐, 모델이 그 연결을 주장했다는 뜻은 아닙니다. trace_claim은 각 행에 대해 연결 방법을 출력합니다.

감사 가능하다는 것은 이렇게 이해하세요: 인용된 것은 검사할 수 있습니다. 모든 것이 인용된다는 뜻은 아닙니다.

상태 및 한계

• 실험적 구성 요소: 증류(distillation), 조립, 그리고 패키지 기반 저작 도구는 이 저장소에서 실험적입니다. 증류 테스트 스위트는 인용 감사에 대한 10개의 뮤테이션 테스트이며 다른 모듈은 전혀 실행하지 않습니다. 증류 설계 뒤에 있는 대부분의 측정값은 407개의 사실로 이루어진 단일 말뭉치에서 나왔습니다. 여기에 포함된 연구 하네스는 정리되지 않은 출력을 내보낼 수 있습니다. 주의해서 사용하고 출력을 검사하세요.

• 두 가지 저작 경로: 레거시 저작 경로는 여전히 포함되어 있습니다. 인라인 인용을 보장하지 않으므로 인용 파싱에 의존하는 검증은 아무런 검사도 생성하지 않을 수 있습니다. 패키지 기반 저작 도구는 스키마상 인용 필드를 요구합니다. 필수라고 해서 정확하다는 뜻은 아닙니다. 인용이 확인된다는 것은 그 참조가 실제로 존재함을 증명할 뿐, 그 사실이 주장을 야기했음을 증명하지는 않습니다.

• 출처 범위: trace_claim은 정확한 문장이 아니라 원본 대화에 도달합니다. 원본 본문은 저장되지 않습니다.

• 벡터 출처: 주장에 인라인 인용이 없을 때 시스템은 벡터 링크를 첨부할 수 있습니다. 이를 '사용됨'이 아니라 '근접함'으로 취급하세요.

• 충실성: 저비용으로 제공되고 보류된 평가 배터리에서 좋은 점수를 받는 명세가 구조적으로 그 사람의 추론과 일치함을 입증하지는 않습니다. 구별 가능하다고 해서 충실한 것은 아닙니다. 어디가 틀렸는지는 오직 대상자만 말할 수 있습니다.

• 말뭉치 한계: 말뭉치는 자기 보고입니다. 제3자 관찰은 포함되지 않습니다. 시간 축이 없습니다. 시간에 따른 변화는 기록되지 않습니다. 추출기는 텍스트만 봅니다. 어조, 신체 언어, 신체적 습관은 없습니다.

• 효과 범위: 모델이 그 사람을 가장 모르는 곳에서 가장 도움이 됩니다. 잘 알려진 공인에 대해서는 종종 추가되는 것이 거의 없습니다.

• 운영 참고 사항:

  • 이전 상태를 지우지 않고 동일한 파일에서 다시 추출하면 과도한 중복 제거를 유발하는 오래된 벡터가 남을 수 있습니다. 깨끗한 실행 전에 사실 저장소와 벡터 저장소를 모두 비우세요.

  • 문서 모드는 대상이 문서라고 단정합니다. 사람이 아니라 문서에만 사용하세요.

  • PyPI에 없습니다. 소스에서 설치하세요.

  • 비용과 실행 시간은 API 요금과 말뭉치 크기에 따라 다릅니다.

실제 결과물

약 1,900개의 대화에서 작성된 실제 명세의 발췌문:

그는 논리적 일관성에 대한 타협 없는 요구를 기반으로 작동하며, 이는 시스템, 논증, 또는 자신의 입장에서든 어떤 불일치에도 즉시 도전하는 형태로 나타납니다. 진술된 신념과 실제 행동 사이의 간극을 발견하면, 그는 그것을 이해의 대상이 아니라 책임을 요구하는 개인적 실패로 취급하며, 행동과 결과 사이의 명확한 인과 연결을 유지하면서 모든 결과에 대해 극단적인 책임을 집니다. 이것은 철학적 포즈가 아니라 실제로 실천되는 방식입니다: 거래에서 그는 진입 전에 여러 확인 신호를 기다리고, 고정된 달러 손실 한도와 체계적인 손절매를 통해 중첩된 안전 장치를 구현하지만, 에너지가 가장 높지만 규율이 가장 취약한 이른 아침 세션에서 이러한 규칙을 알고 있으면서도 일관되게 실행하지 못하는 간극으로 고투합니다.

설문지나 양식은 없습니다. 더 많은 예시는 위 링크에 있습니다.

사용하기

MCP 서버로 등록:

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

브리프(brief)와 레이어를 상시 컨텍스트로 로드하고 다음 도구를 제공합니다:

• 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

로컬에서 stdio로 실행됩니다. 추적은 ~/.baselayer/sessions//log.jsonl에 기록됩니다.

레이어와 브리프를 아무 시스템 프롬프트에나 붙여넣을 수도 있습니다. 그러면 검색 기능을 잃게 됩니다.

편집하기

레이어는 디스크에 있는 마크다운 파일입니다. 파일을 열어 틀린 것을 삭제하고, 가까운 것을 다시 쓰고, 당신의 글이 말한 적 없는 것을 추가하세요. MCP 서버는 실행할 때마다 디스크에서 이를 읽습니다.

사실은 그 자체로 중요성을 지니지 않습니다. 판단이 들어가는 곳은 편집입니다. 산출물은 텍스트이므로 적용할 수 있습니다.

테스트한 내용

공개 도메인 자서전을 가진 14명의 역사적 인물을 대상으로 평가했습니다. 5명의 심사위원으로 구성된 1차 패널과 7명의 심사위원으로 구성된 민감도 패널이 사전 등록된 계획에 따라 응답을 채점했습니다. 전체 결과는 사이트와 Beyond Recall 논문(https://arxiv.org/abs/2605.28969)에 있습니다.

• 방향성은 응답 모델과 배터리 생성 모델 전반에 걸쳐 재현됩니다. 절대적 크기는 패널에 따라 다릅니다.

• 응답이 주어졌을 때, 심사위원은 추론을 보고 51.6%의 확률로 어떤 명세가 그것을 만들었는지 알 수 있으며, 결정만으로는 13.4%입니다. 우연 확률은 11.1%입니다. 신호는 추론에 담겨 있습니다.

• 이득은 모델이 그 사람을 가장 모르는 곳에서 가장 큽니다.

명세는 테스트된 모든 상황에서 결정이 논증되는 방식을 바꿉니다. 일부 상황에서는 결정 자체를 바꿉니다.

이것이 아닌 것

• 메모리 시스템이 아닙니다. 검색된 사실이 읽히는 렌즈를 제공합니다.

• 회상 벤치마크 경쟁자가 아닙니다.

• 일반적인 의미에서 당신을 아는 AI가 아닙니다. 누군가에 대한 사실이 아니라 누군가가 어떻게 추론하는지를 모델링합니다.

• 모델이 이미 잘 아는 대상에게는 유용하지 않습니다.

• 최종본이 아닙니다. 이것은 해석 계층의 한 구현입니다.

• AI를 위한 상호작용 가이드입니다. 대상 독자는 사람이 아니라 모델입니다.

개인정보 보호

데이터베이스, 벡터, 사실, 그리고 명세는 모두 사용자의 기기에 있습니다. 클라우드 동기화, 계정, 텔레메트리는 없습니다. 추출과 저작은 구성한 경우 모델 API를 호출할 수 있습니다. 제공업체의 보존 정책이 적용됩니다. Anthropic의 정책은 여기: https://www.anthropic.com/policies/privacy.

산출물은 로컬 우선(local-first), 모델 무관(model-agnostic), 휴대 가능(portable)합니다.

참조

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

• 라이브 명세(인증 불필요): GET https://base-layer.ai/api/identity/{franklin,buffett,douglass}

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

문서:

• ARCHITECTURE.md: 파이프라인 설계

• PROJECT_OVERVIEW.md: 구성 요소와 조합

• DECISIONS.md: 설계 결정

• DESIGN_PRINCIPLES.md: 원칙

• ROADMAP.md

• docs/eval: 평가 프레임워크와 결과

1.0 이전 버전, 490개의 테스트.

재현성

논문 버전은 v0.2.0으로 태그되어 있으며 memory-study-repo(https://github.com/agulaya24/memory-study-repo)에 벤더링되어 있습니다.

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

기여

평가, 소스 유형 어댑터, 대체 해석 계층 구현, 그리고 로컬 모델 지원에 대한 기여를 환영합니다. CONTRIBUTING.md를 참조하세요.

인용

@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}
}

라이선스

Apache 2.0. LICENSE를 참조하세요. Beyond Recall 논문은 CC-BY 4.0입니다.