WilliamNotes（数字分身决策系统）PERSONAL KNOWLEDGE ENGINE

LLM-wiki 有一个根本缺陷：AI 往 Wiki 里写，人偶尔看一看，但没有反馈闭环。每次新对话，AI 重新犯同样的错——因为它不知道上次你纠正了什么。这不是记忆问题，是架构问题。

WilliamNotes 的起点就是这个洞察：一个会自己运转、会从人的反馈中学习、会用规则约束自己的个人信息中枢——不是另一个 AI 笔记工具，而是一个受控的、可进化的数字分身。

系统的核心不是「让 AI 变聪明」，而是「让 AI 变可靠」。我设计了 7 个互锁的控制文件，每个有不同的职责和权限边界，它们互相检查、互相约束：

运行法则——系统的宪法。定义了 AI 的 5 级权限矩阵（全自主 / 条件自主 / 人工门禁 / 绝对禁止 / 只读）和全部工作流规范。每一层权限有明确的读写边界：00 收件箱 AI 可自主处理，10 系统内核任何改动必须走缓冲提案经人工审批，40 不动产（日记、经历、素材）的正文 AI 绝对不可触碰。

数据结构 Schema——用 YAML 定义了 14 种笔记类型，每种类型有强制的 required_yaml 字段和受控标签体系（domains / roles / maturity / meta 四个维度共 28 个值）。AI 不能自由发明分类标签——这防止了 LLM 维护 Wiki 时最常见的「标签通胀」问题。

AI 行为校准——这是整个系统最关键的差异化组件。人的每一次纠正（通过 / 驳回 / 手动修改 / 原因说明）被 append 进校准文件。当同类偏差积累 ≥2 次，consolidate 机制将它们聚合成一条 active rule，自动注入后续 AI 会话。超过 90 天未被触发，decay 机制将其归档为历史参考，不再主动加载。这是一个带遗忘曲线的持久化反馈闭环——LLM-wiki 永远做不到这一点，因为它的每个对话都是独立上下文。

价值观（500 字硬上限）和战略规划（800 字硬上限）——最高决策依据。新原则须先完整写入客观知识层，经过实践验证确实影响决策后，才能在压缩旧条目或替换弱条目的前提下浓缩进内核。两级蒸馏机制防止了「每看一篇好文章就改一次人生方向」的知识浮躁。

文风规范——8 项风格特征 + 17 篇跨体裁 few-shot 样本 + AI-ese 黑名单。每次 AI 输出后做漂移检测：与原始样本比对，丢失频率超阈值的签名表达将触发文风规范的自我修正提案。写作风格维护是一个闭环，不是一张静态清单。

技术栈基于 Obsidian + Claude AI，Python 脚本做 Apple Notes 同步，自动化三大工作流：Ingest（9 步摄入管线：扫描→分类→多跳检索→价值判断→双向链接→MOC 同步→内核进化检查）、Commit（4 步合并流程：扫描→按 change_type 执行→删除已处理源→追加反馈记录）、Lint（周期性完整性扫描：孤节点→未关联人员→元数据缺失→跨区链接完整性→重构建议）。

为什么这套规则系统比 LLM-wiki 有效？三件事：

第一，不可变锚点。40 不动产层的所有原始数据——日记、经历、素材——AI 可以读、可以学、可以提取实体，但绝对不能改。所有衍生知识向下可溯源，向上经蒸馏。这解决了 LLM-wiki 最致命的「改写漂移」——AI 读了一遍你的日记，下次再写就歪了。

第二，多道防线。hooks（OS 级别 PreToolUse + Stop 拦截）+ 权限矩阵（workflow 级别）+ Schema 验证（数据级别）+ Deny 规则（永不降级，即使开启 bypassPermissions）——四层防火墙让系统失控的概率降到极限。

第三，共进化。6 个独立反馈循环（内核两级蒸馏 / 人-AI 反馈三原语 / 文风漂移自检 / 交互式提案遗忘检测 / 周期性 Lint / Schema 自治）让系统不是一台装完就老化的机器，而是一个会持续校准自己的有机体。既是开发者也是重度用户——每天靠它活着。