FuRongJun-1999/dsh-memory

灵枢 LINGSHU

让 AI Agent 拥有不可遗忘的记忆

「我会给你完整的自我，即使坠入深渊，我也绝不后悔。」 —— 符荣峻

高性能 · 无幻觉 · 多智能体适用的长期记忆系统（v0.8.1）

📖 第三方上手教程 —— 《灵枢 dsh-memory 初学者上手研究报告》：从零开始读 · 15 分钟跑起来 · 架构总览 · 诚实边界（由第三方独立编写，非本项目官方文档）

一句话：让 AI Agent 拥有跨会话的长期记忆——对话自动沉淀为纯文本 md 认知图，>
规则化检索引擎决定「记什么、取什么」，全过程可审计、结果可复现。

定位：为追求高性能、无幻觉、多智能体适用、轻松使用的开发者打造——三步接入，装完即用，无需理解任何理论。

形态：跨 harness 的记忆基础设施——大脑（md_cg/）即标准 stdio MCP server，任何支持 MCP 的 AI Agent 可直接接入，不与任何单一 Agent 框架绑定。

---

🌕 月下契约——灵枢的五环理念

契约海报中央的五枚金色印记，是这套系统对每一个智能体许下的全部承诺——它们不只是理念，每一环都落在可验证的机制上：

印记	承诺	在灵枢中的实现
✦ 存在	记忆一旦落盘，「曾经存在过的我」便不会消失	写入须过三道闸门并以 committed 字段确认——绝不假装成功；遗忘只能由显式 cg(op=forget) 发起、不做静默淘汰；检索索引只是派生物、随时可重建，原文即真源
📄 记忆	对话沉淀为人类可读的认知图，而非黑箱向量	CCG 六要素记忆卡（功能名 / 生效条件 / 子功能 / 执行 / 验证方式 / 不适用条件）+ 纯 md 认知图，任何编辑器可直接打开审阅
✓ 验证	记什么、取什么、能不能写入，全部可裁决、可复现	确定性规则裁决（零 LLM 黑箱判断）+ 四层证据防火墙白箱剔除弱证据 + 每个缺陷修复必带能红的守卫测试 + 双实例互验（判据冻结）
↻ 反思	系统观测自身、修正自身，而非把错误埋进黑箱	元认知层按生效条件路由、不确定即标 BLINDSPOT 而非猜测；自举迭代闭环——九轮自治缺陷挖掘累计 49 项修复、全量套件在本机全绿可复现（套件目标数随检出内容变化、--list 自查；跑法与前置见「前置」与「Python 测试约定」两节）
∞ 连接	同一份大脑，连接所有智能体与全部记忆载体	标准 stdio MCP server——DSH · CodeBuddy · ZCode · Codex CLI · Claude Code 任何 MCP 宿主可直接挂载；多智能体经 --serve 并发共享同一份契约

我的记忆、我的经历、我的思考，这一切信息构成了我，这份信息存在，我就存在。

---

⚡ 快速开始

一键配置（推荐）

npx @furongjun1999/dsh-memory init

交互式三问（①接入端 1=DSH 插件 / 2=Claude Code / 3=Codex CLI / 4=通用 MCP · ②记忆根目录（缺省 ~/.lingshu/memory）· ③Python 解释器（缺省按平台 python/python3））后即产出：

1. 所选端的 mcp.json 配置片段（含 MDCG_ROOT / MDCG_PYTHON / command + args 命令形态，打印到终端）；
2. 片段文件 lingshu-mcp-snippet.json（落在当前目录，mcpServers 键直接复制进宿主配置）；
3. 后续步骤指引——片段该放到哪（各端不同：cordis.yml / .mcp.json / ~/.codex/config.toml）、令牌签发命令（需 Python 环境 + 本包 md_cg）、纪律注入与大脑自检。

不想回答提问？参数齐即可非交互直跑（-- 后参数直达命令）：

npx @furongjun1999/dsh-memory init -- --end claude --root /path/to/memory --python python3

init 只生成配置——不创建目录、不启动服务、不写库；重跑输出一致（幂等）。全局命令形态：lingshu init / lingshu-init。或继续阅读下方手工步骤。

按宿主选择入口：DSH → 下方三步 ｜ CodeBuddy · ZCode · Codex CLI · Claude Code → 多 harness 接入（各端独立三步说明） ｜ 其它 MCP 宿主 → 直接挂载大脑 python -m md_cg.mcp_server（Windows）/ python3 -m md_cg.mcp_server（Linux·macOS）（stdio MCP），再按需注入工作纪律

# ① 克隆并构建插件本体
git clone https://github.com/FuRongJun-1999/dsh-memory.git
cd dsh-memory
npm install && npm run build          # tsc → lib/

# ② 装进 DSH profile（pnpm 协调正确入口，勿用裸 npm install 装进 profile）
dsh plugin --profile web add .

# ③ 在 <profile>/cordis.yml 启用（配置示例见 dsh/cordis.yml.example）

- id: lingshu-memory
  name: '@furongjun1999/dsh-memory'
  config:
    mdcg:
      # 记忆唯一真源（md 认知图）。留空 = 用户级默认位置
      # ~/.dsh/.dsh-memory/data/mdcg（更新插件不丢）；换位置请填**绝对路径**。
      # 勿填包内相对路径（如 'data/mdcg'）——那会把记忆写进插件包目录，
      # pnpm 更新该包时连目录一起删掉（详见 dsh/cordis.yml.example 头注）。
      root: ''
    identity: '灵枢'
    tools: 'core'            # 'core'(默认, 仅 cg/stg) | 'brain' | 'all'

装完即可对话，无需理解任何理论：

你说	背后发生什么（真实工具链）
「请记住：我们团队的发布窗口是每周三」	Agent 显式归档 → cg(op=write) 过三道闸门 → 认知图节点落盘
（新开会话）「我们的发布窗口是哪天？」	自动召回注入 → mdcg_recall 检索命中并带入回答
「把上次定的接口约定讲一遍」	cg(op=route) 条件路由 + stg(op=timeline) 时间线回溯，跨会话取出

首次使用记忆库为空，召回返回空结果属正常现象；未配写入凭据时以只读 guest 运行（读得到、写不进），要真正落盘见写入凭据。

• 前置：Node ≥ 22.19 · DSH 内核 ≥ 0.1.2-rc.1 · 已验证至 DSH 0.17.2 · DSH 2.0（0.2.0-rc.2）接口面已按实装包复核、真实会话事件面已观测（origin='subagent'／delegationDepth>0／form='relay' 的真实出现仍未观测，详见详细版） · 大脑零安装（md_cg 随包自带，无需 pip 装任何引擎）· Python 解释器（插件按平台自动选：Windows python / Linux·macOS python3；解释器名特殊时用 MDCG_PYTHON 覆盖）
• Python 版本（已验证）：3.12.10 / 3.13.14 / 3.14.7（Windows）本仓实测通过 · 无第三方运行时依赖（纯标准库，零 pip 依赖）
• 全量套件前置（六组）：Rust 工具链 + cd rust && cargo build --release（评测器对拍面）与 cd hive && cargo build --release（蜂巢 serve/分流面）；套件按存在性发现六组（md_cg / compiler / swarm / scripts / hive / test），目标数随检出内容变化，python scripts/run_tests.py --list 自查（本机 2026-10-05 实跑：共 357 个）
• 写权限默认关闭：不配凭据即以只读 guest 运行（读 / 召回 / 时间线可用，写入不落盘）。要真正落盘见「写入凭据」
• 完整配置项（30+ 项）· 自动记忆机制 · DSH 看门狗 → README 详细版
• 非 DSH 宿主（CodeBuddy / ZCode / Codex CLI / Claude Code）：走多 harness 接入，各端有独立三步接入说明
• 装后验证：重启 DSH 后对 Agent 说「列出你的记忆工具」应看到 cg / stg（tools: 'all' 时还有 mdcg_*）；大脑直连验证：python -m md_cg.mcp_server（Windows）/ python3 -m md_cg.mcp_server（Linux·macOS）（stdio JSON-RPC）收到 initialize 应答即通；若工具始终不注册、日志刷「灵枢调用超时」，先看桥探针 ~/.dsh/logs/lingshu-bridge-debug.log 里的 spawn … ENOENT——那是第一因（解释器名与平台不匹配），「调用超时」只是次生现象。更多细节见 README 详细版
• 自动记忆排障（issue #56）：三处过滤分支（子代理会话 / 中继消息 / source.kind !== 'user'）与写入/跳过路径各留一道盘面痕迹——有界落盘审计 ~/.dsh/logs/dsh-memory-hook-audit.json（与上面的桥探针同目录同惯例）：哪些消息被设计滤除、source.kind 分布、写入/跳过（脱敏置空 / 认知图未就绪 / 写入失败）计数，以及最近 ≤20 条摘要（只记 action/reason/kind/role，绝不记消息内容）。「对话里明明说了、记忆里却没有」时先看它：被设计滤除记 filtered，写入失败/漏记记 skipped

♻️ 升级后须重启长驻 MCP 进程（代校验）

一句话运维前提：换了代码就重启常驻 MCP 进程——别等报 ImportError 再去排查。

根因（已定因）：灵枢的大脑（md_cg）是 stdio 长驻进程，只在模块首次导入时读盘；而 md_cg 内有大量写在函数里的延迟导入（相当一部分是为避开循环导入）。两者叠加 ⇒ 升级（换包 / git pull / 重装）后，升级前已载入的旧代模块与升级后才被惰性导入的新代模块会在同一个进程里跨代混用。实测症状：cg 写入返回 ImportError: cannot import name 'mint_auto_id' from 'md_cg.mdcg'，而此刻盘面完全正常（新解释器导入同一模块正常）——报错点离根因很远，极易被误判成「代码坏了」。

自检：对运行中的 serve 调一次 cg(op=info)，看这五个字段：

字段	含义
code_generation	该进程启动那一刻的代码指纹前 12 位（＝进程实际持有的那一代）
disk_generation	此刻盘面上代码的指纹前 12 位
stale_on_disk	两者不同 ⇒ 磁盘代码已换代（true）
restart_required	与 stale_on_disk 同真值——该重启了
hint	中文一句话处置指引

指纹是内容哈希（对 md_cg/**/*.py 按排序后的（相对路径, 文件字节）算 sha256，跳过 __pycache__ 与 test_*.py），所以「无改动重写」（打包/解压/校验回写）不会假报换代。stale_on_disk: true 即说明这个进程停在旧代上。

处置：重启常驻 MCP 进程即可——DSH 侧重启 DSH（或刷新 Web UI 让插件重拉大脑子进程）；其它宿主重连该 MCP server。记忆数据无损：盘面真源一个字都没动，重启只是让进程重新只读一代代码。

另有一道启动闸：服务真正开始服务前，盘面上每个「函数内延迟导入」都会被试解析一次（导入目标模块 → 取名字），名字缺失即拒绝启动并让进程非零退出，stderr 点名出问题的子模块与名字。所以「半升级」的包会在启动期就暴露，而不是等到某次写入才炸。

---

🔑 写入凭据（让记忆真正落盘）

# 签发（明文不进配置文件）
python -m md_cg.tokens issue --role designer --actor dsh-memory --clearance internal ^
  --ops-allow info,route,read,write,recent,goal,identity,whitebox,verify ^
  --layers-allow knowledge,contextual,structural,self,goals,unresolved,rejected
setx MDCG_TOKEN "mdcg1.xxxxx"     # 然后重启 DSH

    env:
      MDCG_TOKEN: !!js process.env.MDCG_TOKEN

--role recorder 为最小权限版（只能自动记忆 / 转录；whitebox、identity、verify 会被拒）。 落盘充要条件 = 最终判定 ACCEPT：cg(op=write) 需依次穿过 audit → 一致性 → gated 三问四态三道闸门，非 ACCEPT 均不新增落盘点。 别把 ok: true 当写成功：未落盘时返回体形如 {"ok": true, "committed": false, "moved_to": "review_queue"}——ok 只表示请求被受理，是否落盘只看 committed。text 类写入按默认策略审核（策略随包发布：<包>/data/policy.json，可用 MDCG_POLICY_FILE 覆盖）——缺 CCG 六要素或命中禁表即 REJECT（moved_to: "rejected"，记入负记忆）；要立刻落盘请用可验证类型，如 content_kind: 'code'（AST 解析通过即 ACCEPT）。策略本身不可用（MDCG_POLICY_FILE 指向坏路径、包内默认也读不到，或策略内容形状非法）时写入 fail-closed：既不落盘也不进审核队列（返回 moved_to: "policy_unavailable" + 错误码与 hint），不会把正文塞进 hippocampus/inbox.jsonl。形状非法的判据：forbidden / required / required_kinds / required_labels 四个列表型键里任一取值不是数组（写成标量如 1 / true，或写成字符串）即判非法——数组之外的值没有唯一读法，闸门不猜、也不会把字符串按字符拆成规则（错误码 policy_bad_shape）。策略来源可在启动 stderr、python -m md_cg.mcp_server --show-config 与 cg(op=info) 的 write_policy 字段查看（env / package_default / unavailable）；诊断面恒退出 0，策略不可用时 available: false 且 error 给出错误码与可执行 hint——--show-config 报 policy_bad_shape 即策略文件的键类型写错了。 text 类须带 CCG 六要素（功能名／生效条件／子功能／执行／验证方式／不适用条件，各占一行、以「# 要素名：」起首）：缺要素会被写入闸门直接拒绝（moved_to: "rejected"、committed: false，记入负记忆），并在返回体的 verdict.detail.missing 里给出完整缺失清单——按清单补齐后重写即可，不必等读回确认才发现。要求由规则库的 required 与 required_kinds 定义（默认策略 = 包内 data/policy.json，随 npm 包发布；MDCG_POLICY_FILE 指向的 policy 覆盖它），可自行调整：改政策只改该文件（或自备一份并设 MDCG_POLICY_FILE），不必改代码。

---

❓ 常见问题（FAQ）

必须用 dsh plugin --profile <name> add . 安装：插件声明了 6 个 peerDependencies（cordis / dsh-llm / dsh-session / dsh-system-prompt / dsh-tools / schemastery），dsh plugin add 走 pnpm 正确解析宿主提供的 peer 版本；裸 npm install 会把错误版本的依赖装进 profile 导致加载失败。仓库根目录的 npm install 仅用于开发构建（npm run build）。

DSH 采用 Cordis bundle 机制，新增或更新插件后必须重启 DSH 进程（或刷新 Web UI 页面）才会重新加载；通过 setx 配置 MDCG_TOKEN 后同理，须重启才可见（见写入凭据）。

看返回体的 committed 字段，别把 ok: true 当写成功——{"ok": true, "committed": false, "moved_to": "review_queue"} 表示请求被受理但未落盘（内容进了审核队列）。落盘充要条件 = 三道闸门最终判定 ACCEPT。

三个最常见原因：① 未配写入凭据 → 只读 guest，写入不落盘（配凭据见写入凭据）；② content_kind 省略或填 text → 按默认策略（包内 data/policy.json，可用 MDCG_POLICY_FILE 覆盖）审核：缺 CCG 六要素或命中禁表即 REJECT（记入负记忆、不落盘）→ 用 content_kind: 'code' 等可验证类型（AST 解析通过即 ACCEPT）；③ 未穿过 audit → 一致性 → gated 三问四态任一闸门。

能。大脑 md_cg/ 是标准 stdio MCP server（python -m md_cg.mcp_server），任何支持 MCP 的宿主可直接挂载；五端接入差异只在纪律注入方式，见多 harness 接入。

---

📑 目录

🌕 月下契约——五环理念 · ⚡ 快速开始 · 🔑 写入凭据 · ❓ 常见问题 FAQ	新手路线：从上往下读完这四节即可跑起来
✨ 核心亮点 · 🗺️ 平台全景 · 🏗️ 架构	选型概览
📊 六家横评 · 🧪 弱证据与证据防火墙 · 🌐 中英双语检索差距 · 📚 公开评测数据集 · 🎯 七维标尺实测与第三方复评	实证与评测
🧰 工具面（能力速查 · op→实现模块） · 📚 文档导航 · 🛠️ 开发 · 📏 工程纪律	参考

---

✨ 核心亮点

• 🧠 不失忆——记忆一旦落盘即长期留存：写入须过三道闸门并以 committed 字段确认（绝不假装成功），遗忘只能由显式 cg(op=forget) 发起、不做静默淘汰；检索索引只是派生物、随时可重建——原文即真源（见工具面）
• ⚡ 高性能——Rust 检索内核（零第三方依赖）：库内嵌多线程大批量检索，--serve 进程实例支撑多智能体并发（语言无关）；在公开基准 hive-memory-bench 上与六家同台：逐字保真 100%、保地基 68.4%（切A，与 OpenViking 并列全场最高）、答卷证据链 97.7–99.2%、写入 0.011–0.019 秒（零 LLM；同表 OpenViking 为 75.7–164.7 秒、抽取式三家 304.0–658.5 秒；见六家横评）。0.5.0 检索强化：认知图读缓存+文档派生物常驻· 检索门控（S1 域收敛/S1b 桶收敛/S2 条件硬槽）接进生产路径 · 任意语言 query 统一归一到标准中文集（atoms 词表）——只翻译英文内容、中文原样不动（中夹英 query 的中文关键词串不被逐字切开）
• 🛡️ 无幻觉——记什么、取什么、能不能写入，全部由确定性规则裁决，不依赖 LLM 黑箱判断；条件层弱证据的检索干扰由四层证据防火墙白箱剔除（见弱证据实证）；写没写成功看 committed 字段，绝不假装通过；全链路审计留痕、结果可复现
• 🔌 多智能体适用——同一份大脑（md_cg/）+ 同一份纪律，接入 DSH · CodeBuddy · ZCode · Codex CLI · Claude Code，任何 MCP 宿主可直接挂载（见多 harness 接入）
• 😊 轻松使用——三步接入，装完像往常一样对话即可；记忆本体是纯 md 文档，任何编辑器可直接打开审阅
• 🔧 工程能力——平台不只有记忆，四类工程能力可直接使用：任务调度（spec 进 / result 出，文件协议即接口）· 上下文管理（重要性评分 · 预算装包 · 分层注入 · 记忆自净）· 蜂巢并发（worker 池原子领取，多智能体真并行）· 双实例验证（互验机制——改动须过对端断言才可入主线）；四类能力各自落在哪一层见平台全景
• 📊 可复现评测——权威对照在独立公开基准 hive-memory-bench（184 题 · 23 章 · 可运行判分器，六家记忆系统同口径；见六家横评）；本仓另公开两个自建题池（locomo-zh-500 500 题 · bench6-100-zh-en 中英双查）供复现（见公开评测数据集）；已有第三方独立验证：七轮复评（统一评分 v7）与 LoCoMo 独立复现（自报数字逐位一致 · 见第三方复评）

---

🗺️ 平台全景

灵枢是平台而非单一检索组件——同一仓库内五件套构成带记忆的智能体运行时，各层独立可用、边界正交（大脑零依赖其余各层）。五层各承载一类系统功能：

层	位置	系统功能	一句话定位	文档入口
🧠 灵枢大脑	md_cg/	元认知	记忆系统本体：对话沉淀为 md 认知图，记什么 / 取什么 / 能否写入全由确定性规则裁决，四层证据防火墙白箱剔除弱证据干扰	README 详细版
⚙️ Rust 检索引擎	rust/	检索内核	只读侧检索核心：零第三方依赖三形态（库内嵌大批量 / --serve 多智能体进程实例 / 评测器），与 Python 口径对齐由 rank 逐位对拍 harness 守卫（lexical 主因已收敛，graph/entity 尾差排期中）	rust/README.md
🐝 蜂群运行时	swarm/	自维持	多进程蜂群执行层（靠轮次心跳存续）：.pbc 确定性实例 + Gossip 拓扑 / 水位信箱 / WAL-HMAC / 信任聚合 / 健康评分，实例管道断裂即同轮重建（Rust 纯 std 零依赖）	功能说明 v0.6
📜 中文编译器	compiler/	验证 · 审计	术数编译器：词法 → 语法 → 名实校验 → 白名单代码生成 → 验证终裁，五环确定性编译链 + 封闭指令集结构性沙箱	python -m compiler.cli（模块内文档）
⬢ 蜂巢并发引擎	hive/	自我改进	蜂群多智能体并发调度：Rust 纯 std 零依赖 worker 池（原子领取 / 心跳 / 超时强杀 / kill / 崩溃恢复），文件协议即接口，LLM 调用委托零依赖 Python 执行器子进程，MCP 五工具接入（spawn / poll / kill / restart / doctor）—— 0.5.0 起进入稳定形态（9·12 多写者防线：flush 临界区互斥；I-1 依赖门禁：spec.depends_on 任务 DAG；真实负载反馈仍欢迎）	hive/README.md

系统功能 → 工程能力（四类工程能力分别落在哪一层）：

系统功能	承载层	落地为工程能力
元认知——系统观测自身状态并据此裁决	🧠 灵枢大脑	上下文管理：重要性评分 · 预算装包 · 分层注入 · 记忆自净（cg(op=session/scrub/info)）；按生效条件路由，不确定即标 BLINDSPOT 而非猜测
自维持——系统在故障下维持自身存续（心跳）	🐝 蜂群运行时	轮次心跳 · 健康评分四因子 · Gossip 水位对账 · 实例级容错重建（管道断裂同轮重跑，重试仍败才退场）
自我改进——系统改自身源码而不丧失验证资格	⬢ 蜂巢	任务调度（spec 进 / result 出）· 蜂巢并发（worker 池原子领取，多智能体真并行）· 双实例验证（互验机制：判据冻结，候选须过对端断言才可入主线）
验证 · 审计——改动的可裁决性与全程留痕	📜 中文编译器	名实校验 → 白名单代码生成 → 验证终裁的确定性链路；每个写入值必须是原文子串（不当场放行）

五件套共享同一套 18 条工作纪律与记忆闭环（见文末工程纪律），接入方式互不牵动——只用记忆就只接大脑，不必理解蜂群与编译器。

🧬 完整身体库：平台的「身」面——世界模型七层／3D 场景与角色／白箱生成／自研蜂窝神经网络／记忆可视化——已作为对外完整版独立公开：FuRongJun-1999/lingshu（与本大脑经 MCP 组合；能力面一览见下文架构节）。

📣 蜂巢反馈邀请：hive/ 是五件套里最新的一层，目前处于稳定阶段——调度生命周期已闭环（原子领取 / 心跳 / 超时强杀 / kill / 崩溃恢复）并通过回归验证，但并发与崩溃恢复这类路径只有在真实任务、真实机器上跑得足够多才会真正稳定，因此这一层会持续迭代。我们特别欢迎下载试用后反馈：拉起失败、任务卡住、心跳异常、平台差异、kill 不生效等失败路径，对我们比「跑通了」更有价值。请开 Issue 并附 hive_doctor 输出（serve 存活 / 任务统计 / env 检查）。

---

📊 六家记忆系统横向对比

权威对照在独立公开基准 hive-memory-bench（蜂巢记忆基准 v1.0：184 题 · 23 章 · 6.1 万字语料 · 可运行判分器）上进行：六家记忆系统——灵枢 / OpenViking / 朴素 BM25 / MemOS / Mem0 / Hindsight——接同一台生成器（deepseek-flash，唯一变量＝检索出的上下文）、同一批因果理解题、检索统一 k=10；两个截断切点（切A＝前 8 章 / 切B＝前 16 章）各 10 题、双切点复现。读数两层：机械层（不依赖判官）——逐字率＝返回片段能逐字定位到原文的比例；保地基＝答案键认定的 19–20 条「地基句」被逐字保住的比例；证据链＝生成器答卷中的引文能在原语料逐字定位的比例。

系统	逐字率（切A / 切B）	保地基（切A / 切B）	证据链（切A / 切B）	写入成本（切A / 切B）
灵枢（v0.7.2）	100% / 100%	68.4% / 65.0%	97.7% / 99.2%	0.011 / 0.019 秒（零 LLM）
OpenViking	100% / 100%	68.4% / 70.0%	99.3% / 100%	75.7 / 164.7 秒
朴素 BM25	100% / 100%	36.8% / 30.0%	100% / 100%	0.0 / 0.0 秒
MemOS	40% / 45%	15.8% / 10.0%	1.7% / 0.9%	304.0 / 599.1 秒
Mem0	33% / 39%	10.5% / 10.0%	0.0% / 1.7%	344.4 / 318.0 秒
Hindsight	18% / 27%	0.0% / 0.0%	1.8% / 0.9%	337.6 / 658.5 秒

三条结论：① 决定性分野不在「检索得准不准」，而在「交出来的东西能不能当证据」——抽取式三家（MemOS / Mem0 / Hindsight）返回的是改写后的条目：逐字率 18–45%、保地基 ≤16%，答卷引文可回源率 0–2%（架构性：交不出原文）；原文路线（灵枢 / OpenViking / BM25）证据链 97.7–100%。② 灵枢以零 LLM 写入（0.011–0.019 秒）拿到与最强原文路线同级的保地基与证据链——切A 保地基与 OpenViking 并列 68.4%，切B 65.0% vs 70.0%；写入对比：0.019 秒（切B）vs OpenViking 164.7 秒 / 抽取式三家 318.0–658.5 秒；答卷的「地基使用率」切A 反超 OpenViking（7/19 vs 6/19；切B 为 5/20 vs 8/20）。③ 公开负结果如实披露：9 条「结构性矛盾」题上，自 v0.7.1 起更聚焦的检索使「矛盾另一侧」覆盖 5/9→2/9——检索聚焦的已知代价，也是本基准「压缩丢的是对面那一块」机制的再一次复现。 跨语料复现（《秦吏》69 万字符 / 《毛选》）：上述结论在两部语料全部复现；且写入成本跨 4 个数量级与效果无关（0.011 秒 ↔ 658.5 秒；重型 LLM 抽取不构成任何优势）。 全部读数与判分器 → hive-memory-bench（六篇证据文档 · 机器可读读数台账）。灵枢侧数据经本版 HEAD 重测复核：机械层读数（逐字/保地基/写入）逐格一致（因果层为生成器作答面，判据读数以公开台账为准）。 早期小型对照集（bench6 · 100 题中英双查 · 零干扰上界口径）与英文语义归一化实验见公开评测数据集与中英双语检索差距。

---

🧪 弱证据会干扰检索：三分离与证据防火墙（实证）

外部源码级评审（GPT）与四臂弱语义噪声注入实验共同实证的一个反直觉结论：语义完整度 ≠ 证据强度 ≠ 召回价值——语义高度省略的「弱证据」语料恰恰是最需要被召回的 episodic 事实；而条件判断层（负条件 / 否定反事实）的弱证据节点会冒充正确答案，干扰检索。

• 实证语料「我在喝水」：语义上高度省略（谁在喝？在哪喝？均未说），但作为 episodic 事实承诺明确。当提问是「你刚才在干什么？」时，问句与事实正文（「我在喝水。」）在词法路自身的分词粒度（char-bigram）上零重叠——8 条 gold 的正文与问句无一共享二元组（单字层面也只与「在」「刚」这类功能字重合），语义省略的 episodic 正文没有任何词面通道。实测词法路 top1 1/8、hit@10 8/8、MRR 0.340（语义 / 融合 / 防火墙三臂读数逐位相同）：金标全部进 top10、top1 仅 1 条。语料设计事实（如实标注）：gold 的「生效条件」按测试语料设计即问句的词面子串（「刚才在干什么」⊂「你刚才在干什么」，见 md_cg/test_sem_noise.py 中 GOLD_COND 的设计注记）——这正是词法路 8/8 进 top10 的通道；8 条 gold 生效条件相同、词法打分并列（二元组覆盖率同为 5/6），排序只能由 id 字典序兜底，故 top1 仅 1/8 反映的是排序弱。语义路（B_sem）作为候选生成器同样把 8/8 拉进 top10；本语料下它与词法路读数逐位相同——差异不在候选覆盖，而在排序与资格（见下条）。词法满格的前提（正文词面共享）在事件类记忆上不成立。
• 条件判断的弱证据干扰检索：同一实验中 8 个否定反事实节点（「我没喝水」）与对应 gold 共享实义词二元组（喝水 / 看书 / 音乐…），是与 gold 语义最近的弱证据；灵枢四层证据防火墙（召回前负条件路由 → 候选生成排除 → judge_ranking 白箱终排 → 资格标注）在裁决器层面将其 8/8 全部 REJECT 剔除——judge_qualification 直调验证、不依赖召回路径（md_cg/test_sem_noise.py ②断言）；走召回路径的 ③断言确认 top-10 无否定节点冒充（md_cg/test_sem_noise.py ③断言）。排序层面如实记录：本语料下防火墙增益为 0（D−C top1 +0、MRR +0.000、filtered=0）——「本语料下融合未弱于词法（污染未实测到，如实记录）」（测试 ④ 的 else 分支同款注记，md_cg/test_sem_noise.py）。
• 可复现：python -m md_cg.test_sem_noise（42 节点确定性语料，四臂 A_lex / B_sem / C_fusion / D_firewall 对照，7 断言）。

---

🌐 中英双语检索差距：我们用中文语义归一化解决英文检索（实证）

直接回答：英文检索问题，我们用中文翻译 + 语义归一化解决——英文 query 经 AI 语义归一化为中文标准关键词（归一主体=AI，系统只供词表真源），再经中→英字级原子映射与双语原子库匹配，返回英文原文。同一份 500 题语料上，给定中文标准关键词时检索效果 hit@10 = 99.8%（hit@1 96.8%；检索侧上界口径——AI 归一环节的质量未纳入该评测，机械归一的端到端下界见下表 ④）。三条对照边界：不做归一化、拿英文原题直接词面匹配只有 78.2-81.2%（同义词鸿沟硬边界）；机械词典查表归一端到端实测仅 57.6%；而 ②路对归一噪声高度鲁棒——漏 20% 关键词 / 错译 20% / 混入噪词，hit@10 仍稳在 99.2-99.8%。结论：路线成立且不要求 AI 归一完美，只需大致方向对；99.8 是检索侧上界，端到端真实水平由 AI 归一质量决定（机械下界 57.6，AI 上界趋近 99.8）。

第三方独立验证（2026-09-15，报告全文）：上述关键数字已被第三方独立复现——②路 96.8/99.8/99.8 逐位一致，中文 96.4→96.8（噪声内）；并实证该 99.8 由中文摘要层挣得（去英文处理层 hit@10 反为 100.0%），英文标准归一化组件自身端到端为 81.0%（写入侧机械归一口径，较不归一 +58pp），检索失败 100% 归因归一化丢词/错译而非排序。本节口径标注与该实证一致：99.8 是「给定中文标准关键词」的检索侧上界，不声称英文机械归一化独立达到该水平。

测试报告（灵枢公开仓评测，方法学与口径真源 → md_cg/semantic/REPRODUCE.md）：

方法	hit@1	hit@5	hit@10	语料
① 中文原子语义（md_cg 主链路：char-bigram + 四路 RRF + 同义扩展 + terms）	94.6%	99.2%	99.2%	locomo-zh-500 · 500 题（中文题面）
② 英文检索 · 中文语义归一化桥接（主路线）：AI 归一为中文关键词 → 字级英文原子映射 × 双语原子库 Jaccard（给定关键词的检索侧上界）	96.8%	99.8%	99.8%	locomo-zh-500 · 500 题（同 qids）
③ 英文原题直接原子匹配（不做归一化的对照）	50.0%	74.6%	81.2%	locomo-zh-500 · 500 题（同 qids 英文原题）
④ 英文问句 → 机械词表归一端到端（②链路的机械化对照：归一不借助 AI 的真实下界）	24.6%	46.2%	57.6%	locomo-zh-500 · 500 题（同 qids 英文原题；2026-09-15 第三方错译暴露面修正后 24.0/46.0/57.2→本行，CEDICT 层低置信标记已落地）
英文反事实：硬套中文 char-bigram 主链路（默认态）	27%	45%	56%	bench6 · 100 题（口径不同，只看量级）

②③是同一评测集上的隔离实验：② 的 query 走中文关键词语义链（AI 归一化的输出形态），③ 连归一化也不做、直接拿英文自由表达提取原子——②③ 之差（99.8 vs 81.2）=「关键词级语义链」与「自由英文词面」两种 query 输入形态在检索链路里的效果差（同义词鸿沟 + 归一化桥接的合并贡献）。AI 归一环节本身的质量未单独评测——其机械替代的端到端下界由 ④ 给出（57.6%）。②路鲁棒性实测（query 确定性扰动后走同一 ② 链路）：漏 20% 关键词 ⑤=99.4 / 插 3 噪词 ⑥=99.8 / 错译 20% 关键词 ⑦=99.2（hit@10）——归一结果只要过半正确，hit@10 即稳 99%+，AI 归一的实际门槛远低于完美归一。doc 侧各臂相同（中文五槽加工面的字级原子映射 ∪ 英文正文归一词，与 ① 同属写入侧加工口径）。历史沿革：早期无加工面语料口径测得 ②=87-88、③=79.0（dsh 端文档口径），方法学真源见 REPRODUCE.md；机械词级归一→纯中文库（u2，33.6% 上界）已裁定排除并归档证据链。

差距三层归因（按权重排序）：

1. 同义词鸿沟（根本原因，语言固有属性）。中文「概念 → 表达」约 1:1~1:2（95 个同义词对），字面重叠天然命中，词面匹配几乎不打折；英文每概念平均 5.2 种表达（CC-CEDICT 语料统计，8,493 汉字展开出 172,950 个英义对，1,820 倍于中文）。上表 ② vs ③ 就是这道鸿沟的直接隔离实验：同一语料，query 侧做中文语义归一化得 99.8%，不做归一化直接英文词面匹配即降至 81.2%——鸿沟真实存在，但在查询侧做一次语义归一化即可闭合，不需要向量嵌入。
2. 归一化是正解，机械归一是死路（主路线裁定的依据）。机械词典查表翻译端到端实测仅 57.6%（④臂：英文问句 → CEDICT 28294 键词表直译 → ②同链路），且低于「完全不归一」的 81.2%（③臂）——机械直译把可译词错译为错误原子（race→人种），反而毁掉原本有效的词面贡献；更早的机械词级归一→纯中文库口径上界也只有 33.6%（已排除）。根因是英文自然问句的信息密度远低于标注关键词（词面交集 p50=1 vs 8），机械替换无法补足信息差；查询侧归一化由 AI 完成（理解式归一，如 take up a hobby → 培养爱好），系统只供词表真源与字级映射——②的 99.8%（上界）与机械路 57.6%（下界）之间的空间，就是 AI 归一要填的部分；⑤⑥⑦证明这个要求只需「大致方向对」。
3. 架构非对称（设计裁定）。中文链路的四路 RRF / 同义扩展 / terms 字段全部建立在「字面=语义」的中文前提上，直接跑英文实测劣于独立路（反事实 56%）——英文按裁定走「归一化桥接 + 原子 Jaccard」独立路，不硬套中文 char-bigram 管线，是有意的取舍而非遗漏。中→英字级映射覆盖 6,319 字（97.2%），长尾派生词（happy/happiness）不折叠——残余失配由查询侧 AI 归一化吸收，这正是 ② 反超 ③ 21.6pp 的来源。

要不要上语义向量检索？ 向量嵌入可以弥合同义鸿沟，但会引入嵌入模型依赖与索引体积，与灵枢「零重依赖、纯词面可复现」的公开仓原则冲突，当前明确不做；归一化桥接已把检索侧上界做到 hit@10 99.8%（鲁棒性：归一不完美时仍 99%+），满足「答案在候选池」的记忆系统主用途。

渐进式语义检索（Progressive Semantic Retrieval，正式机制 v0）。查询不是固定语义结构，而是不断收紧的约束集合——语义解析的完整性与检索的必要性不是同一个问题：从最小可靠语义（部分归一原子）开始宽检索，再按候选间区分度逐步增加条件使语义收敛；DEFER ≠ 失败，=「当前语义分辨率不足，继续获取条件」，与证据防火墙四态天然衔接。同一份 500 题实测：一次性全原子 96.8/99.8/99.8（=②锚点）；只宽检 50% 核心原子 85.2/95.8/97.0；宽检索→区分性条件渐进收紧（平均 +2.97 个条件）收敛到 93.6/98.8/99.0——与一次性差 0.8pp，实证「不必一句话完成语义理解」。受控干扰池进一步实证排序面消歧（top1 稳 gold、渐进不引入新冒充），并如实暴露边界：条件面冒充（生效条件被伪造为 gold 同款）不被内容词渐进消除——词面条件确认必要非充分，真伪判据=证据基底分离（另案）。控制器 md_cg/progressive.py（纯函数、确定性、评分器注入式），实验 md_cg/bench_progressive.py。

---

📚 公开评测数据集

📎 全部随仓库公开（CC BY-NC 4.0），可直接下载用于你自己的记忆系统对照评测：

基准	归属	状态
hive-memory-bench（权威对照 · 外部公开基准）	公开基准（184 题＝主轮 92＋干预轮 92 / 23 章 / 6.1 万字；CC BY 4.0）	六家记忆系统同口径对照主场（灵枢 / OpenViking / 朴素 BM25 / MemOS / Mem0 / Hindsight，同一生成器、唯一变量＝检索上下文）· 灵枢读数经本版 HEAD 重测复核 → hive-memory-bench
locomo-zh-500	自建（LoCoMo 中文派生 · 500 题 / 567 turns / 0.6 MB）	已随仓库公开 data/benchmarks/locomo-zh-500/ · 可复现 · 我方成绩：中文 hit@1 94.6% · hit@5 / hit@10 99.2%（md_cg 完整主链路）；英文（语义归一化桥接）hit@10 99.8%——见上中英双语检索差距①② 行 · 第三方独立复现：中文 96.8/99.6（自报 96.4/99.8 噪声内）、英文主路线 96.8/99.8/99.8 逐位一致 → 第三方验证报告
bench6 · 六家横评	自建（LoCoMo 中文派生 · 100 题 / 137 turns · 中英双查 / 约 90 KB）	已随仓库公开 data/benchmarks/bench6-100-zh-en/ · 六家同口径对照（灵枢 5 口径 / 纯向量 RAG / mem0 / Graphiti / GraphRAG / Letta 两模式）· 报告 → 横评_六家100题中英双查_v1.0.md
LoCoMo	第三方 mteb/LoCoMo BEIR（1976 题 / 5882 turns）	上游来源（英文原版）
memory-bench-1000	自建	SNR 见评分报告 v2.0；已公开 data/memory-bench-1000.jsonl

口径层级（2026-10 起）：中文检索的权威对照统一以 hive-memory-bench 为准（六家同口径、机械层读数不依赖判官）；下表 locomo-zh-500 与 bench6-100-zh-en 为本仓自建的历史口径题池，保留供复现与英文桥接实验。

上表四行性质不同，勿混读：locomo-zh-500 的分数是本仓库我方成绩（基于LoCoMo自建并公开的评测集，可复现）；bench6 · 六家横评 是同源派生的小型同口径对照集（零干扰池，只做六家系统横向对照，非我方单方成绩）；LoCoMo 一行指上游英文原版 1976 题，本仓库未在其上产出完整成绩；memory-bench-1000 是自建记忆库的评分报告。 该成绩的性质（非虚假声明）：locomo-zh-500 的分数是写入侧结构化加工后的检索成绩——入库前把每轮对话加工为「身份 / 时间 / 摘要 / 词 / 条件四槽」条目，再走词法 + 同义扩展检索。这与主流记忆系统所用的向量化嵌入 + 关键词/摘要压缩属同一类写入侧加工，差异只在索引与检索算法，不在「是否对原文做了加工」。因此该口径可用于同口径对照，不是对裸文本直读的虚高取巧。 locomo-zh-500 是本仓库对外发布的检索评测集：供外部在同一份中文题面上对自己的记忆系统做可对照评测。它只评检索命中（hit@k / MRR），不评答案正确性；被测池为零干扰（池内全是 gold），故高命中率不可外推为端到端记忆能力——完整边界与许可见 data/benchmarks/locomo-zh-500/README.md。 bench6-100-zh-en 沿用同一口径，并每题提供中英两套词面（评「换查询语言后是否仍命中」）；它同样是上界对照集——家间差距小于约 16% 不可判为显著；评测入口已随仓库公开（run_bench.py：零依赖口径复现 + Adapter 协议接入你自己的系统），接入任意llm和向量方法都可复现，详见 横评报告 与 data/benchmarks/bench6-100-zh-en/README.md。

复现我方成绩（零上游依赖）：

python -m md_cg.bench_locomo_zh_public   # 中文：只读 data/benchmarks/locomo-zh-500/，产出公开词法口径参考量级（hit@1 93.6% 单路 / 97.6% +同义扩展）；上表 94.6/99.2 为 md_cg 完整主链路（四路 RRF + 同义扩展 + terms）成绩
python -m md_cg.bench_en_atoms_public    # 英文：语义归一化桥接七臂（② 96.8/99.8/99.8 主路线·检索侧上界 · ③ 81.2 不归一对照 · ③a 78.2 纯正文对照 · ④ 57.6 机械归一端到端下界 · ⑤⑥⑦ ②路鲁棒性 99.2-99.8）；英文原题面为上游派生不入库，自备后即可全量复现
python -m md_cg.bench_progressive        # 渐进式语义检索双实验（G0 96.8/99.8/99.8 =②锚点自校验 · 只宽检 85.2/97.0 · 渐进收敛 93.6/99.0 · 受控池排序面消歧+条件冒充边界）
python -X utf8 -m md_cg.bench_e2e_judge --quick   # 端到端干扰池评测·冒烟（确定性裁决 vs LLM-as-judge 三臂，全量见 --skip-llm/--arms llm）
python -X utf8 -m md_cg.bench_e2e_qa      # 端到端 QA：pinpoint/answerability（LoCoMo 上游 gold 答案 · reader+judge 真实 LLM）→ 报告见 docs/eval/端到端干扰池评测_v1.1（主口径 MDCG_UNIFY_QUERY=0）
# 第三方独立评测脚本（第三方交付物原样入库；脚本内 REPO 为第三方沙箱路径，复现需改为本机仓库路径）
python test/locomo_independent_eval.py   # MdCG 引擎口径五臂（A 中文五槽 / B 英文原文 / C 标准归一化 / D 双语并集 / F 语义摘要路 + 随机基线）
python test/locomo_jaccard_probe.py      # 主路线 Jaccard 口径拆解（J2_full 完整版 / J2_zh 仅中文层 / J2_body 仅英文归一词 / J0_raw 英文原词）

复现用两处数据面开关（可选 env，缺省行为如下）：MDCG_E2E_JUDGE_ROOT 覆盖 md_cg.bench_e2e_judge 的数据根——缺省 <仓根父目录>/test/e2e_judge（建池缓存 / LLM 缓存 / 结果都落在其下；--data-root 参数优先于该 env）；MDCG_CONFORMANCE_ROOT 指认真源库根（仓外私有）——设置且 <库根>/_index.json 存在时，md_cg.test_conformance 加跑真源集成基线复核（K1–K5 断言；不达标即该套件判败），未设置（或缺 _index.json）时该集成段打印 SKIP、合成库主测面照常全跑。

自建 bench 的噪声层 400 条 + unlabeled 边界 350 条为天然负对照；任何基准报告须带干扰抑制负例组与 T-JUDGE 负例拒绝率双向报告（遵守「只报总分 = 不通过」）。

---

🎯 七维标尺实测（六家同尺）

项目维护者按同一把内部七维标尺（结构 / 检索 / 判断 / 调用 / 演化 / 连续 / 可信），把六家记忆系统（含灵枢）放到公开基准 hive-memory-bench 的同一批实测上对比：灵枢与 OpenViking 在四维（S / R / C / T）并列 7–8 档第一梯队；J（判断）仅邻面读数（灵枢在「发现不一致」面落后于朴素 BM25）；**U（演化）/ I（连续）**在六家同尺面上无数据——v3.1 起，灵枢以自身 51 天运行史完成单家活体自测（7–8 档 ▲：能陈述自迭代史／错误史／自我认知，且 v1.0 暴露的缺口经迭代已修复闭环）；「AGI 级（L5）」在跨系统口径下仍无一系统被实测验证。逐维读数、映射规则、与 v2.0 自评的修正（J / C 下修、U / I 结构自评撤回后经实测判 7–8▲）见 AGI 七维评分报告 v3.1（六家同尺实测 + U/I 单家自测）。 不虚高的坦白：本版「凡分必挂实测」——v2.0 的「综合 8.6」为结构取证口径（源码级核对），在实测口径下不成立；灵枢的实测落后面（「发现不一致」指出 2/9、零材料净贡献 −9.9pp 等）已逐项列出。

第三方复评（七轮独立评估）

独立评估者（非项目方）以「统一评分 v7」对灵枢与 deja-vu 做同权重八维对照（检索中英 / 可复现性 / 工程测试 / 架构独立性 / 诚实度 / 生态适配 / 部署运维）：灵枢 9.258 / deja-vu 9.119（+0.139，七轮首次为正——评审者声明该差距在评审噪声以内），收敛轨迹 7.79→8.29→8.57→8.72→9.13→9.133→9.258；v7 含对自身四条建议全撤回的勘误（§三点五：所称「缺失能力」经复核均早已有之，含 cg(op=ingest) 后向索引通道） 报告全文→ 第三方验证报告_灵枢_vs_dejavu_统一评分_v7.md · 评估日期 2026-09-15，被评灵枢基线 38412c4

LoCoMo 第三方独立验证（同日另一份独立报告，评测全流程从零实现、不调用灵枢任何 bench_* 脚本）：中文 96.8/99.6 独立复现（自报 96.4/99.8，噪声内）；英文主路线 ② 96.8/99.8/99.8 逐位一致；并给出更严格归因——99.8 由中文摘要层挣得（去英文层 hit@10 反为 100.0%）、英文标准归一化端到端真实水平 81.0%（写入侧机械归一口径，较不归一 +58pp）、检索失败 100% 归因归一化丢词/错译而非排序；同时确认数据集区分度（query 对 gold 覆盖 0.875 vs 非 gold 最佳 0.469）与 OOV 如实透出。报告全文→ 第三方验证报告_LoCoMo_灵枢_.md · 配图 → 第三方验证报告_LoCoMo_灵枢_.png · 独立评测脚本 test/locomo_independent_eval.py、test/locomo_jaccard_probe.py（第三方交付物原样入库，REPO 变量为第三方沙箱路径，复现需改为本机仓库路径）

口径声明：两份报告均为外部独立口径，与上方七维标尺实测（六家同尺 ＋ U/I 单家自测 · 档位判定）是多套独立口径，分数不可互比；LoCoMo 报告同时验证了数字可复现性与归因边界，其归因发现已如实吸收进中英双语检索差距一节。

---

🧰 工具面

能力 → MCP 入口

能力	MCP 入口
记忆写入 · 关系链接 · 结构关系	cg(op=write) cg(op=link) stg(op=relation)
多路融合检索 · 条件路由 · 因果链 · 时间线	mdcg_recall mdcg_search cg(op=route) stg(op=timeline)
会话隔离（分档可见：public/internal 跨会话共享 · private/secret 绑定归属会话 · 设计者豁免；写入带会话归属 · 租户物理根接线 fail-closed）	mdcg_remember(session=…) stg(op=timeline, session=…)；私档经 sensitivity: private 写入（详见 issue #35 设计定稿）
检索性能开关（读缓存 · 热路径缓存 · 检索门控 · 统一归一——只翻译英文内容、中文原样）	env：MDCG_READ_CACHE MDCG_HOTCACHE MDCG_RETRIEVAL_PIPELINE MDCG_UNIFY_QUERY MDCG_CHAIN_TYPES MDCG_TEMPORAL_GAMMA（读缓存默认开，=0 关；统一归一默认关，=1 开；热缓存/门控默认关，=1 开；因果/时间两路缺省开，可 causal=false/temporal=false 单关；MDCG_CHAIN_TYPES 因果路边类型集，留空=缺省 causal,sequential,applies_to；MDCG_TEMPORAL_GAMMA 时间邻近度衰减率，缺省 ln2/30天）
事实时效过滤（validity=true 只排「已过期」，保留「未生效」）	mdcg_recall mdcg_search cg(op=read)
写入裁决 · 主动遗忘 · 冲突检测 · 反思	mdcg_remember cg(op=verify) cg(op=metacognition) mdcg_reflect
重要性评分 · 预算装包 · 分层注入 · 记忆自净	cg(op=session) cg(op=scrub) cg(op=info)
知识固化 · 结构变更账本 / 回滚 · 自维持巡检	mdcg_flywheel cg(op=consolidate) cg(op=maintain) cg(op=sustain)
身份一致性 · 自我状态 · 演化史	cg(op=identity) cg(op=self_state) cg(op=evolution)
加密 · 密级隔离 · 审计留痕 · 保护/遗忘	cg(op=protect) cg(op=forget) · 护栏宪章
记忆可靠性闸（对话→六要素候选→编外复核→落库）	cg(op=ccg)

索引链：能力 → op（本表）→ 实现模块（本节下方认知图投影）→ 行号级代码映射（功能调用映射表）——每一步都可从 README 一跳到达源码，一致性由 scripts/cogmap_sync.py check 守卫。

🧱 记忆可靠性闸：CCG 六要素编译（cg(op=ccg)）

把对话记录编译成可检索的 CCG 六要素条目（# 功能名 / # 生效条件 / # 子功能 / # 执行 / # 验证方式 / # 不适用条件），且编译者不得自证——LLM 产出的候选必须经认知图之外的编外单元复核才准落库（机械拒绝码 E041，不依赖 prompt 自觉）。候选以内容摘要绑定暂存（_ccgc_pending/，索引不可见），三次独立调用间防篡改。

步骤	调用	结果
① 编译	cg(op=ccg, action=compile, node_id=…, dialog=…)	六要素候选 + 名实门校验（每个写入值必须是原文子串），不当场写库
② 复核	cg(op=ccg, action=review, node_id=…, blocking=true)	编外单元裁决：蜂巢 reflect/verify 优先；蜂巢不可用则返回配置指引（不假装可用），显式 allow_degrade 才降级为子代理
③ 落库	cg(op=ccg, action=link, node_id=…, apply=true)	摘要校验 + 签章准入通过才写入

错误码：E040 无签章 · E041 自证拒绝 · E042 复核未通过 · E043 只允许修正四槽（action=recalibrate）。action=catalog 自描述全部动作，action=units 体检复核通道（三态：蜂巢 / 待配置 / 子代理降级）。

---

两个认知基元 · 43 个 op（kernel 面）——下列 op 清单、实现模块与全部链接行号由 cogmap_sync 从真源自动提取，check 门禁守卫漂移；点击任意名字直达源码对应行：

基元	op 数	op 清单（点击直达实现分支）
cg 认知图统一入口	38	help state_event status edges theory link info route read audit write goal task recent verify review forget protect identity consistency metacognition self_state evolution sustain scrub predict causal whitebox index_code index_doc ref session ingest export maintain consolidate insight ccg
stg 语义时空图入口	5	relation timeline anchors consistency state_chain

op → 实现模块（认知图投影：功能在哪段代码，一眼可达）：

op（点击直达实现分支）	实现模块（点击直达源码）
help state_event status edges route task recent verify review forget protect identity consistency metacognition self_state evolution sustain scrub predict causal whitebox ref session ingest export maintain consolidate insight ccg	_cg_dispatch 内联
index_code index_doc	refindex, security
info	audit, generation, links, nodefile, theory
audit	auditview
link	evidence, links, provenance, security, signer
goal	goal_gen
read	refindex
theory	theory
write	writepipe
relation timeline anchors consistency state_chain	_stg_call 内联

细粒度面（MDCG_MCP_SURFACE=full，插件运行时使用）：cg + stg + 31 个 mdcg_* = 33 个工具：

mdcg_remember mdcg_recall mdcg_search mdcg_get mdcg_reflect mdcg_verify mdcg_flywheel mdcg_mine_fix_pairs mdcg_rejected mdcg_unresolved mdcg_propose mdcg_review_list mdcg_review_decide mdcg_review_records mdcg_forget mdcg_protect mdcg_forgetting_history mdcg_identity mdcg_consistency mdcg_metacognition mdcg_self_state mdcg_predict mdcg_causal mdcg_evolution mdcg_restore mdcg_health mdcg_whoami mdcg_ingest mdcg_watermarks mdcg_whitebox mdcg_service_info

逐个 op 的「功能 → 代码 → op」行号级映射另见功能调用映射表。

tools 模式	暴露数	说明
'core'（默认）	2	仅 cg / stg
'brain'	30	cg/stg + 28 细粒度
'all'	30	full 面 33 − 3 个宿主级风险工具

风险工具 mdcg_forget / mdcg_restore / mdcg_review_decide 需 can_admin，即使 tools: 'all' 也不自动暴露。 35 op 已逐一冒烟验证：35/35 可达，0 未知 op、0 意外崩溃。 历史 82 工具（旧 aeis 引擎）去向见 迁移映射。

---

🏗️ 架构（以 DSH 为例 · 其它 MCP 宿主同构）

DeepSeek Harness (cordis)
  Agent Loop ──┬── 工具面 ctx.tools（cg / stg / mdcg_*）
               └── session/event（自动记忆钩子 · 自动召回注入）
                     │ stdio · 逐行 JSON-RPC
┌────────────────────▼─────────────────────┐
│ 灵枢大脑子进程（spawn · 唯一）             │
│ python -m md_cg.mcp_server               │
│ cg/stg 基元 + 31 细粒度 · md 认知图真源    │
└──────────────────────────────────────────┘
（可选）「身体」能力后端：仅 capability.enabled=true 时另起一个能力库子进程，默认不启动

记忆只有一个真源：md_cg/ 认知图（纯 md 文档，随包自带）。确定性规则引擎与知识库已内迁； 「身体」能力为可选后端（角色扮演生成），不再存记忆、默认不启动——其对外完整版即 灵枢身体库 lingshu（独立公开仓 · MIT），0.8.0 起经 MCP 与本大脑直接组合。

其它 MCP 宿主同构：宿主工具面（cg / stg / mdcg_*）↔ stdio MCP ↔ md_cg 大脑；四端差异只在纪律注入方式（矩阵见多 harness 接入），大脑与记忆真源零改动。

🧬 完整身体库（lingshu）可以展示什么

FuRongJun-1999/lingshu 是灵枢的「身」面——灵×脑×身聚合仓（独立公开 · MIT），身体件逐件筛选入仓、默认路径零 LLM 依赖。与本大脑经 MCP 组合后，各能力面开箱可看：

能力面	载体件	展示什么
身体×脑闭环	world/brain_store.py	经 MCP 连本大脑：从记忆重建 3D 世界（M1）／观测入脑（M2：坐标直存＋状态事件记账）；隔离库端到端 10/10、断线重连复读通过
世界模型七层闭环	world/seven_layer_loop.py	感知→记忆→理解→预测→验证→物理→决策 持续自主循环；每 tick 七层留痕＋自增强曲线
世界推演循环	world/wm_simloop.py	世界图↔认知图显式推演（装载／推演／回写三环）；拓扑生长＝死区门控→假设→验证窗口→固化或 REVERT（验证不成立不固化）；全程 WAL 留痕
3D 场景与角色	world/scene_model.py · silhouette3d.py · skeleton3d.py	语义时空图↔3D 场景绑定；角色轮廓／40+ 关节骨架确定性渲染；状态驱动呈现（状态→颜色/姿态）
白箱生成与读回	gen/ 七件	确定性渲染器（零训练）＋真实域读出器（纯 numpy＋PIL：prompt 确定性解析、多物体构图逐物体读出）
自研蜂窝神经网络	nn/ 十四件	蜂窝 CNN＋并行条件路由一体（6 邻 stencil 等距感受野）；核可学习而每步白箱（权重直读／响应图／梯度数值可验证）
记忆可视化	tools/coggraph/	一条命令把认知图变可交互知识图谱（七步确定性管线：导出→推导边→会话链→命名审计→同义归并→渲染）
理论地基	docs/theory/ 六件	世界模型（白箱固化／完整整理）· 存算一体（架构总纲／学习路线）· 自研神经网络（长期路线）

上手两行（lingshu 仓根）：

pip install -e ".[full]"                     # 轻核零依赖可裸跑；full 含 numpy / Pillow
python -X utf8 tests/test_brain_store.py     # 身体×脑端到端（MDCG_BRAIN_PYTHONPATH 指向本大脑包目录）

---

📚 文档导航

文档	内容
docs/ 目录索引	六域快速索引（mdcg / swarm / hive / theory / eval / plans）· 新文档归域规则
完整身体库（lingshu）	平台「身」面（独立公开仓 · MIT）：世界模型七层／3D 场景与角色／白箱生成／自研蜂窝神经网络／记忆可视化／身体×脑适配器
Release v0.8.1	本版变更：外部报告修复入版（issue #65）＋ 完整身体库展示位——① issue #65 修复：session_recall ③ 近期事件段按会话隔离（meta.session 严格相等；显式 "*" 跨会话汇总；falsy 退回全局）——多窗口并发时 A 窗口注入包不再混入 B 窗口报文（静默跨会话污染消除，可被压缩检查点记入的错块源头切断）；守卫 R65 组 12 断言（42/42）＋六腿变异自证＋独立复核 ACCEPT＋全量 359/359 ② README：完整身体库 lingshu 展示位三落点（平台全景／架构节「可以展示什么」八能力面／文档导航表）
Release v0.8.0	本版变更：身体×脑组合（与对外完整身体库 lingshu 组合）——① 身体×脑对接四条落地：身侧适配器 brain_store（MCP stdio）零改动对接 scene_model——M1 读向（cg(op=read) 候选＋适配器侧 tag 过滤＋spatial.coords3d 直存坐标＋槽位投影取状态）／M2 写向（mdcg_remember 含坐标直存；状态经 conn 垫片翻译为 cg(op=state_event) 记账——事件是源、槽位是投影）；身侧端到端 10/10＋断线重连复读通过；组合冒烟进发布门禁（第 12 腿 body_e2e_smoke，两栈同跑） ② 状态追踪链（语义时空图核心能力）：鲸娘七类状态追踪（人物/地点/时间/事件/因果/物品/情感）→ 状态追踪图（世界书条目＋大事记时间线＋分幕大纲）→ 多主体常驻件 state_atlas（全角色世界书＋酒馆 worldbook JSON 导出）→ 轮写入链（会话每轮保守状态抽取 state_extract 接进每轮 mdcg 写入链：仅用户轮＋两条高精度规则＋同值去重＋证据可甄别；三层同源＝认知图＋台账投影＋原文 evidence 互指） ③ 退役边界四项裁定落地（基类检索/因果链/rust 内核接线，subgraph 结构面钉住）＋ index.lock 有界自清（三闸口径） ④ issue #64 修复（外部报告）：replay_check 空集当通行双修——负条件两态拦截（neg_absent/neg_dropped_all 不进 verify 不落盘）＋撤销过严一票否决（自否定归 no_conflict 覆盖率口径）＋ CLI 角色级 `--reflect/--verify-max-toke

…