Base Layer

base-layer.ai · Примеры · Исследования · Датасет

Пайплайн с открытым исходным кодом, который создаёт интерпретируемую спецификацию того, как человек рассуждает, на основе его собственных текстов.

Что он делает

Он извлекает паттерны того, как человек взвешивает и использует информацию: что считается доказательством, что он считает решённым, и где он отказывается от компромиссов. Результат — документ, который ИИ читает перед ответом. Вы можете редактировать его как текст. Вы можете проследить многие утверждения до цитируемых фактов, а затем до разговоров, из которых эти факты взяты.

Тонко настроенную модель нельзя проверить или исправить. Письменную спецификацию можно.

Related MCP server: personal-context

Как это работает

Единый пайплайн:

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.

Слои:

• ANCHORS: Аксиомы, из которых исходит человек.

• CORE: Коммуникационные паттерны и контекстные режимы.

• PREDICTIONS: Поведенческие триггеры с признаками обнаружения и директивами.

Дистилляция даёт четыре канала, которые не конкурируют за место:

• Темы: что повторяется, каждая тема указывает на использованные идентификаторы фактов.

• Сингулярности: разовые факты, которые изменили бы модель человека. Переносятся дословно.

• Противоречия: где доказательства противоречат сами себе. Переносятся и никогда не разрешаются.

• Диспозиции: каждый факт получает один вердикт. Тема, сингулярность или не несущий нагрузки.

Три слоя создаются вслепую друг относительно друга. Совпадение считается подтверждением. Противоречие сохраняется.

Быстрый старт

Требования: Python 3.10+ и ключ API Anthropic (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

Пошагово:

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

Экспериментальный путь дистилляции:

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

Аудируемость / что можно проверить

• Вы можете проследить письменное утверждение до его цитируемых фактов. Затем вы можете перейти от каждого факта к разговору, из которого он был взят. Второй шаг приводит к разговору, а не к точному предложению, потому что исходный отрывок не сохраняется.

• Проверки выполняются по графу цитирования:

  • Векторная близость: слова в утверждении должны быть близки к словам в его цитируемых фактах.

  • Повторяемость: тема не должна опираться на единичное упоминание.

  • Междоменный охват: поддержка не должна исходить только из одного узкого типа источника или темы.

  • Опциональный NLI: локальная модель импликации может оценить, поддерживают ли цитируемые факты утверждение. Это проверяет качество данных. Это не доказывает причинно-следственную связь.

Не все происхождение — это цитирование. ANCHORS и PREDICTIONS часто синтезируют из нескольких фактов. Когда утверждение не содержит встроенных цитат, система связывает ближайшие факты через эмбеддинги как векторное происхождение. Эта связь показывает близость, а не то, что модель утверждала связь. trace_claim выводит метод связи для каждой строки.

Аудируемость означает: то, что цитируется, можно проверить. Это не значит, что всё цитируется.

Статус и ограничения

• Экспериментальные компоненты: Дистилляция, сборка и автор на основе пакетов являются экспериментальными в этом репозитории. Набор тестов дистилляции — это 10 мутационных тестов по аудиту цитирования и не затрагивает другие модули. Большинство измерений, лежащих в основе дизайна дистилляции, получены из одного корпуса из 407 фактов. Исследовательские стенды, поставляемые здесь, могут выдавать необработанные выходные данные. Используйте с осторожностью и проверяйте выходные данные.

• Два пути авторства: Устаревший путь авторства всё ещё поставляется. Он не гарантирует встроенных цитат, поэтому проверка, зависящая от разбора цитат, может не дать результатов. Автор на основе пакетов требует поле цитирования по схеме. Обязательное не означает точное. Разрешающая цитата доказывает, что ссылка реальна, а не то, что факт вызвал утверждение.

• Область происхождения: trace_claim приводит к исходному разговору, а не к точному предложению. Исходный отрывок не сохраняется.

• Векторное происхождение: Когда утверждение не имеет встроенных цитат, система может прикрепить векторные ссылки. Относитесь к ним как к близким, а не использованным.

• Достоверность: Спецификация, которая служит дёшево и хорошо показывает себя на отложенном наборе тестов, не устанавливает, что она структурно соответствует рассуждениям человека. Различимость не означает достоверность. Только субъект может сказать, где она ошибочна.

• Ограничения корпуса: Корпус основан на самоотчётах. Сторонние наблюдения не входят. Нет временной оси. Изменения во времени не фиксируются. Экстрактор видит только текст. Тон, язык тела и физические привычки отсутствуют.

• Область воздействия: Это помогает больше всего там, где модель знает человека меньше всего. Для известной публичной фигуры это часто добавляет мало.

• Эксплуатационные заметки:

  • Повторное извлечение из тех же файлов без очистки предыдущего состояния может оставить устаревшие векторы, вызывающие чрезмерную дедупликацию. Очистите и хранилище фактов, и векторное хранилище перед чистым запуском.

  • Режим документа утверждает, что субъектом является документ. Используйте его только для документов, а не для людей.

  • Не на PyPI. Устанавливайте из исходников.

  • Затраты и время выполнения зависят от цен API и размера корпуса.

Как это выглядит

Отрывок из реальной спецификации, созданной на основе примерно 1900 разговоров:

Он действует из непоколебимой потребности в логической последовательности, которая проявляется как немедленный вызов любой непоследовательности — в системах, аргументах или его собственных позициях. Когда он сталкивается с разрывом между заявленными убеждениями и реальным поведением, он воспринимает это как личный провал, требующий ответственности, а не понимания, принимая крайнюю ответственность за каждый результат, сохраняя при этом чёткие причинно-следственные связи между действиями и результатами. Это не философская поза, а живая практика: в трейдинге он ждёт нескольких подтверждающих сигналов перед входом, внедряет перекрывающиеся механизмы безопасности через фиксированные долларовые лимиты убытков и систематические стоп-лоссы, но борется с разрывом между знанием этих правил и их последовательным исполнением во время ранних утренних сессий, когда его энергия максимальна, но дисциплина наиболее уязвима.

Никаких анкет и форм. Больше примеров по ссылке выше.

Использование

Зарегистрируйте как MCP-сервер:

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

Он загружает бриф и слои как постоянно активный контекст и предоставляет инструменты:

• 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

Он работает через stdio локально. Трассировки записываются в ~/.baselayer/sessions//log.jsonl.

Вы также можете вставить слои и бриф в любой системный промпт. Вы потеряете поиск.

Редактирование

Слои — это markdown-файлы на диске. Откройте их. Удалите то, что неверно. Перепишите то, что близко. Добавьте то, что ваше письмо никогда не говорило. MCP-сервер читает их с диска при каждом запуске.

Факты не несут собственного значения. Редактирование — это место, где входит суждение. Артефакт — это текст, поэтому вы можете его применять.

Что мы тестировали

Мы оценивали на 14 исторических личностях с автобиографиями в общественном достоянии. Основная панель из пяти судей и панель чувствительности из семи судей оценивали ответы по предварительно зарегистрированному плану. Полные результаты на сайте и в статье Beyond Recall (https://arxiv.org/abs/2605.28969).

• Направление воспроизводится на моделях ответов и моделях генерации батарей. Абсолютные величины зависят от панели.

• По данному ответу судья может определить, какая спецификация его создала, в 51,6% случаев по рассуждениям и в 13,4% по одному решению. Случайность — 11,1%. Рассуждения несут сигнал.

• Наибольшие выгоды там, где модель знает человека меньше всего.

Спецификации меняют то, как аргументируются решения в каждой протестированной ситуации. В некоторых случаях они меняют само решение.

Чем это не является

• Не система памяти. Она предоставляет линзу, через которую читаются извлечённые факты.

• Не конкурент бенчмарков на запоминание.

• Не ИИ, который знает вас в обычном смысле. Он моделирует, как человек рассуждает, а не факты о нём.

• Не полезен для субъектов, которых модель уже хорошо знает.

• Не окончательное слово. Это одна реализация интерпретационного слоя.

• Это руководство по взаимодействию для ИИ. Аудитория — модель, а не человек.

Конфиденциальность

База данных, векторы, факты и спецификация хранятся на вашем компьютере. Нет облачной синхронизации, нет аккаунтов, нет телеметрии. Извлечение и авторство могут вызывать API модели, если вы его настроите. Применяются политики хранения провайдера. Политика Anthropic здесь: https://www.anthropic.com/policies/privacy.

Артефакт локально-ориентированный, не зависит от модели и переносим.

Справочник

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

• Живые спецификации (без авторизации): GET https://base-layer.ai/api/identity/{franklin,buffett,douglass}

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

Документация:

• ARCHITECTURE.md: дизайн пайплайна

• PROJECT_OVERVIEW.md: компоненты и композиция

• DECISIONS.md: дизайнерские решения

• DESIGN_PRINCIPLES.md: принципы

• ROADMAP.md

• docs/eval: фреймворки оценки и результаты

До версии 1.0, 490 тестов.

Воспроизводимость

Версия для статьи помечена как v0.2.0 и включена в memory-study-repo (https://github.com/agulaya24/memory-study-repo).

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

Вклад

Приветствуются вклады в оценку, адаптеры типов источников, альтернативные реализации интерпретационного слоя и поддержку локальных моделей. См. CONTRIBUTING.md.

Цитирование

@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}
}

Лицензия

Apache 2.0. См. LICENSE. Статья Beyond Recall — CC-BY 4.0.