Base Layer

base-layer.ai · 示例 · 研究 · 数据集

一个开源流水线，根据一个人自己的文本，写出其推理方式的可解释规范。

它的作用

它提取一个人如何权衡和使用信息的模式：什么算作证据，什么被视为已定论，以及在哪些地方拒绝权衡。输出是一份 AI 在回应前阅读的文档。你可以将其作为文本进行编辑。你可以将许多主张追溯到所引用的事实，再追溯到这些事实来源的对话。

微调模型无法被检查或纠正。书面规范可以。

Related MCP server: personal-context

工作原理

统一流水线：

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.

层次：

• ANCHORS：该人推理所依据的公理。

• CORE：沟通模式和上下文模式。

• PREDICTIONS：带有检测线索和指令的行为触发条件。

蒸馏产生四个互不争抢空间的通道：

• 主题：反复出现的内容，每个主题都标明其引用的事实 ID。

• 独特性：会改变对该人模型的一次性事实。原样保留。

• 矛盾：证据与自身不一致之处。保留且永不解决。

• 倾向：每个事实得到一个判定。主题、独特或不承重。

三个层次在互不知情的情况下编写。一致视为佐证。矛盾予以保留。

快速开始

要求：Python 3.10+ 和 Anthropic API 密钥（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

逐步操作：

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

实验性蒸馏路径：

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

可审计性 / 你可以验证什么

• 你可以将书面主张追溯到其引用的事实。然后可以从每个事实跳转到其来源的对话。第二步落在对话上，而不是确切的句子，因为源段落未被存储。

• 对引用图运行检查：

  • 向量邻近度：主张中的词语应与其引用事实中的词语接近。

  • 重复门控：主题不应仅依赖一次性的提及。

  • 跨领域跨度：支持不应仅来自单一狭窄的源类型或主题。

  • 可选 NLI：本地蕴含模型可以评分引用事实是否支持主张。这审计数据质量，并不证明因果关系。

并非所有来源都是引用。ANCHORS 和 PREDICTIONS 经常综合多个事实。当主张没有内联引用时，系统通过嵌入将最近的事实作为向量来源链接。该链接显示邻近性，而非模型断言了该链接。trace_claim 为每一行打印链接方法。

可审计的含义是：被引用的内容可以被检查。这并不意味着所有内容都被引用。

状态与限制

• 实验性组件：蒸馏、组装和基于包的作者在此仓库中是实验性的。蒸馏测试套件是对引用审计的 10 个变异测试，不涉及其他模块。蒸馏设计背后的大多数测量来自单一 407 事实语料库。此处提供的研究工具可能输出未剥离的结果。请谨慎使用并检查输出。

• 两条编写路径：旧版编写路径仍然提供。它不保证内联引用，因此依赖解析引用的验证可能不产生检查。基于包的作者按模式要求引用字段。必需并不意味着准确。一个可解析的引用证明该引用是真实的，而非该事实导致了该主张。

• 来源范围：trace_claim 落在源对话上，而非确切句子。源段落未被存储。

• 向量来源：当主张没有内联引用时，系统可能附加向量链接。请将其视为邻近，而非使用。

• 忠实性：一份廉价服务且在保留测试集上得分良好的规范，并不证明其在结构上与一个人的推理匹配。可区分并非忠实。只有主体能指出其错误之处。

• 语料库限制：语料库是自我报告。没有第三方观察进入。没有时间轴。随时间的变化未被记录。提取器只看到文本。语气、肢体语言和身体习惯缺失。

• 影响范围：在模型最不了解该人的地方帮助最大。对于众所周知的公众人物，通常增加甚少。

• 操作说明：

  • 在不清除先前状态的情况下从相同文件重新提取，可能留下导致过度去重的陈旧向量。在干净运行前，请清除事实存储和向量存储。

  • 文档模式断言主体是文档。仅用于文档，不用于人。

  • 不在 PyPI 上。从源代码安装。

  • 成本和运行时间因 API 定价和语料库大小而异。

它的样子

来自约 1,900 次对话编写的真实规范摘录：

他从不妥协地需要逻辑一致性，表现为对任何不一致——无论是系统、论点还是他自己的立场——立即提出挑战。当他遇到陈述信念与实际行为之间的差距时，他将其视为需要问责而非理解的个人失败，对每个结果承担极端责任，同时保持行动与结果之间的清晰因果联系。这不是哲学姿态，而是实践：在交易中，他在入场前等待多个确认信号，通过固定美元损失限额和系统性止损实施重叠安全机制，但在清晨时段，当他的精力最高但纪律最脆弱时，他难以弥合知道这些规则与一致执行之间的差距。

没有问卷或表格。更多示例见上方链接。

使用它

注册为 MCP 服务器：

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

它加载简报和层次作为常驻上下文，并暴露工具：

• 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

它在本地通过 stdio 运行。跟踪写入 ~/.baselayer/sessions//log.jsonl。

你也可以将层次和简报粘贴到任何系统提示中。你将失去检索功能。

编辑它

层次是磁盘上的 markdown 文件。打开它们。删除错误的内容。重写接近的内容。添加你的写作从未说过的东西。MCP 服务器每次运行时从磁盘读取它们。

事实本身不携带意义。编辑是判断进入的地方。工件是文本，因此你可以应用它。

我们测试了什么

我们在 14 位具有公有领域自传的历史人物上进行了评估。一个五人主评审小组和一个七人敏感性评审小组根据预先注册的计划对回答进行评分。完整结果在网站和 Beyond Recall 论文中（https://arxiv.org/abs/2605.28969）。

• 方向在响应模型和电池生成模型之间可复现。绝对幅度取决于评审小组。

• 给定一个回答，评审者能从推理中判断出哪个规范产生了它，准确率为 51.6%，仅从决策判断则为 13.4%。随机概率为 11.1%。推理携带信号。

• 在模型最不了解该人的地方，增益最大。

规范改变了每个测试情境中决策的论证方式。在某些情境中，它们也改变了决策本身。

它不是什么

• 不是记忆系统。它提供了检索事实被阅读的透镜。

• 不是回忆基准竞争者。

• 不是通常意义上了解你的 AI。它模拟一个人如何推理，而非关于他们的事实。

• 对模型已经熟悉的主体没有用处。

• 不是最终结论。这是解释层的一种实现。

• 它是 AI 的交互指南。受众是模型，而非人。

隐私

数据库、向量、事实和规范都存在于你的机器上。没有云同步、没有账户、没有遥测。如果你配置了模型 API，提取和编写可以调用它。提供商保留政策适用。Anthropic 的政策在此：https://www.anthropic.com/policies/privacy。

工件是本地优先、模型无关且可移植的。

参考

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

• 实时规范（无需认证）：GET https://base-layer.ai/api/identity/{franklin,buffett,douglass}

• 供代理使用：https://base-layer.ai/llms.txt、https://base-layer.ai/.well-known/agent-card.json、https://base-layer.ai/api/openapi.json

文档：

• ARCHITECTURE.md：流水线设计

• PROJECT_OVERVIEW.md：组件与组合

• DECISIONS.md：设计决策

• DESIGN_PRINCIPLES.md：原则

• ROADMAP.md

• docs/eval：评估框架与结果

Pre-1.0，490 个测试。

可复现性

论文版本标记为 v0.2.0，并已嵌入 memory-study-repo（https://github.com/agulaya24/memory-study-repo）。

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

贡献

欢迎对评估、源类型适配器、替代解释层实现和本地模型支持做出贡献。参见 CONTRIBUTING.md。

引用

@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}
}

许可证

Apache 2.0。参见 LICENSE。Beyond Recall 论文为 CC-BY 4.0。