对话如何从输入，流到分析，再回流成「越用越准」的判断。
Claude（haiku / sonnet）或 MiMo（v2.6-flash / v2.6-pro）双档可切。重活（分析、原子化、自检、问大脑）走标准档。
火山 Doubao embedding · 2048 维。把文字变成可按意思检索的向量，负责语义召回。
- 1
输入
数据 / 规则四个入口进来：粘贴/上传转写文字、音频（走 ASR 转写）、API、MCP。建转写存原文，正则从头部抽「录音时间」，估算并冻结积分。
输入转写文字 / 音频文件 / API 请求 / MCP 调用输出一条转写记录（原文 + 标题 + 录音时间）· 一个待分析任务 · 冻结的积分 - 2
身份确认
用到 AI标签优先：转写自带的真名（飞书妙记 @名字，账号级事实）直接采用；只标「说话人N」的保留标签、锚定它跑——AI 绝不把"被提到的名字"当"在说话的人"。分析后「说话人汇总」带原话给建议，你确认了才显真名、才进大脑。认错人整篇偏，故一次确认广播到这份素材的所有镜头。
输入转写原文（自带 @真名标注则优先）输出确认后的说话人身份（说话人N → 姓名 / 角色 / 通讯录里的人），素材级广播 - 3
核心分析
用到 AI按你选的方法（问骨 / 麦肯锡战略 / 第一性原理 / 会议秘书等）用 AI 分析 → 自检纠偏 → 产出分析正文 + 可点回原文的证据锚点。流式吐字，失败自动退积分。
输入转写原文 + 所选方法 + 确认后的身份输出分析正文（output_markdown）+ 证据锚点（每个论断可点回原文） - 4
后处理 · 抽取与沉淀
用到 AI分析一完成：一次结构化抽取就吐出原子 / 决策 / 人物 / 标题标签（合并成 1 次 AI 调用、省成本），向量嵌入与语义索引并行，原子抽完自动巡检矛盾·悬而未决·立场反转主动冒洞察（任一步没配/没迁移就静默跳过）。
- ·原子化：把分析切成「洞察原子」（类型/主题/人物/原文依据 + 向量）
- ·抽人物画像（按确认身份并入通讯录）· 抽决策/行动项 · 生成标题标签
- ·转写分片嵌入 + 对话语义索引（跨录音召回的基础）
- ·佐证晋升：别的录音又冒出同一判断 → 加固成色（从"说过"到"反复成立"）
- ·取代链：新判断更新旧的 → 旧的退出召回但留档（拒绝遗忘曲线）
- ·微梦联想：跨语境找 1–2 条真连接 → 冒到洞察 feed（会做梦的记忆）
- ·原子抽完 → 自动巡检矛盾·悬而未决·立场反转 → 主动冒洞察到 feed
输入分析正文 + 转写原文 + 确认身份输出洞察原子（带 2048 维向量）· 决策台账 · 人物画像 · 标题标签 · 转写向量 · 语义索引 · 主动洞察 - 5
大脑记忆
数据 / 规则上一步的所有结构化结果落库持久化，成为可被检索、会复利的资产。这就是「用得越多、越厚、越难迁走」的护城河。
输入原子 / 决策 / 画像 / 洞察 / 向量等结构化结果输出可检索的持久资产：insight_atoms（带向量）· decisions · user_profiles · health_insights · 校准 - 6
使用
用到 AI问大脑：问题向量化 → 混合检索（语义向量 + 关键词 BM25 + 关系图，RRF 融合）召回相关原子 → 每条算「成色」（佐证↑ / 矛盾↓ / 你的赞踩 / 历史校准）→ AI 基于召回与成色作答（带证据）。还有洞察 feed、知识图谱、校准、回响、微梦联想、简报与生成中心。
输入你的提问 / 浏览输出带证据+成色的回答 · 主动洞察 · 知识图谱 · 回响（过去判断 + 结果）· 交付物 - 7
回流闭环（飞轮）
用到 AI你回填裁定（应验/落空/部分/言之尚早，回响卡或「校准」里一键即可）→ 按人/类型算命中率（贝叶斯收缩）→ 喂回判断成色。同一个人/同类判断，按历史战绩加权。越用越准——这是通用大模型买不到、带不走的维度。
输入你回填的现实裁定（应验 / 落空 / 部分 / 言之尚早）输出更新的命中率信号 → 喂回第 ⑥ 步的判断成色（让后续判断按战绩加权）↺ 这条回流喂回第 ⑥ 步「使用」——判断按历史战绩加权，形成「越用越准」的飞轮。
一句话：对话进来 → AI 认人 → AI 按方法分析+自检 → 六路并行把它拆成带向量的原子/决策/画像并自动巡检 → 沉进大脑 → 问大脑用向量召回 + 成色加权来答 → 你回填结果，命中率反哺判断，形成越用越准的飞轮。