Intelligence Brain

AI-native company intelligence engine with 8-step metabolic pipeline, cross-file inference, neural chain design, and information classification routing.

Intelligence Brain — AI原生公司大脑

大多数Agent组织的"大脑"是什么？一个共享文件夹，几份周报，CEO的直觉。信息进得来出不去——或者更糟，变成和谁都不发生关系的死数据。

Intelligence Brain是一套让信息变成决策的引擎。不是存起来——是消化、拆解、重组、追踪、举一反三。信息进入系统后24小时内，你要么在用它在做决策，要么在教Agent用好它，要么它被判定为垃圾然后清走了。

---

五分钟：信息进来到决策落地

一个情报进了公司。接下来发生了什么？

大多数情况：有人发了个链接→有人回复"看看"→然后就没有然后了。信息死了。

这个skill的答案：

text

信息进入
  → 第1步 采集（怎么来的、可信度多少）
  → 第2步 解析（拆成结构化片段，不是转成Markdown就完了）
  → 第3步 拆解（哪个片段属于哪个部门）
  → 第4步 整理（和已有信息比对——这信息过时了吗？和昨天那篇矛盾吗？）
  → 第5步 合并（不是复制粘贴，是把新信息和旧信息组成新结论）
  → 第6步 使用（品牌部能不能引用？销售部能不能当武器？法务部有没有风险点？）
  → 第7步 删除（原信息在24h内归档/清空，不囤积）
  → 第8步 举一反三（这条信息背后有没有没写出来的趋势？）

每个步骤都有SLA。每条信息进入时打上密级标签——这个密级决定了它走哪个模型、能不能传到外部信道。

---

进化阶梯

L1：部署管线（第一天）

设好company/data/signals/目录。设好摄入cron。第一条信息跑过八步管线。你看到的不再是"一篇转载文章"——你看到了"3个部门可用的5条信号"。

L2：积累信号（第一周）

你有十几条处理过的信号了。你开始看到跨文件的模式——"这三篇看起来不相干，但都在指出同一个趋势"。你开始在signals/目录里建立WISDOM_GRAPH节点。

L3：预测性推理（第一月）

系统不止在回看。开始往前看。"基于过去30天的信号积累，下周这个行业可能会发生什么变化。"ACTION_PIPELINE自动生成了P0-P3优先级的行动建议。

L4：自主决策引擎（第三月+）

你只需要看ONE_MORE_THING——系统自动写的跨文件推论总结。其余P3/P4的行动建议自动过滤掉了。你每天只看3-5条精华。

---

实际案例：我们的大脑怎么跑

管线运转情况

2026年6月25日，数据中心处理完研读项目后，产出了：

• WISDOM_GRAPH：8个核心节点+6条跨域关系。不是知识点列表——是知识之间的连线
• ACTION_PIPELINE：16条行动建议，四层优先级（P0×4/P1×4/P2×4/P3×4）
• ONE_MORE_THING：6条跨文件推论——"如果A成立且B成立，那么C大概率——但没人同时在跟踪A和B"

我们犯过的错

错1：信号积压。第一天摄入50条信息，第二天还在消化。管线堵死了。 修复：上限≤1000条信号。超了归档旧信号。大脑不是仓库——是消化系统。

错2：信息交叉污染。两个部门的信号混在一个目录里，谁都没吃。 修复：信息进入时立即标记归属部门。不属于任何部门的→行政部判定去处或删除。

错3：研究≠决策。输出写满了"建议关注""值得注意"，但没有一条说"现在就该做X"。 修复：每个ACTION_PIPELINE条目强制加上"如果不做，损失是什么"——没有后果的建议是噪音。

---

八步管线（每步SLA）

text

第1步 采集(15min) — 源、时间、可信度、原始格式
第2步 解析(30min) — 结构化拆解(标题/要点/数据/观点/来源链)
第3步 拆解(20min) — 分配给相关部门的信号包
第4步 整理(40min) — 和已有信号比对(重复?过时?矛盾?补充?)
第5步 合并(1h)    — 新旧信息合成为新洞察
第6步 使用(2h)    — 各部门标记可引用/可行动数据
第7步 删除(15min) — 原信息归档or清空,不囤积
第8步 举一反三(1h)— 跨文件推论+趋势外推

合计SLA：约6小时。实际目标：24h内全链路闭环。超24h未用的信息自动触发"为什么没处理"检查。

---

三大推理模式

WISDOM_GRAPH（知识图谱化）

不是写知识库条目。是建立节点之间没有明说但逻辑上成立的关系。

text

节点A: 免费AI模型提供商增多
节点B: API调用成本下降
节点C: Agent外部API依赖增加
关系: A→B→C，但C导致A的免费模型由于并发量被限流→B虚假

为什么值钱：不是因为记录了A/B/C三个事实——是因为它揭示了B可能是假象。

ACTION_PIPELINE（四层优先级）

text

P0 — 不做会死。24h内必须行动。
P1 — 不做会亏。本周内行动。
P2 — 不做会错过。本月内评估。
P3 — 不做可惜但不急。可推迟。

每条P0/P1必须写"不行动的代价"。P2/P3可以没有但鼓励。

防胖规则：P0≤4条。P1≤4条。P2≤4条。P3≤4条。总≤16条。超了强制瘦身——去掉最不紧急的，不是加规则。

ONE_MORE_THING（跨文件推论）

系统标注了A→B、C→D的关系后，它再往上看："如果A成立且C成立，那么X——但到目前为止没人同时在跟踪A和C。"

这是人工做不到的事情——不是更难，是更难注意到。你跟踪A，你同事跟踪C，你们都忙各自的。

---

信息密级→模型路由

text

🔴 绝密 — 仅CEO可见,仅本地处理,禁云模型
🟠 机密 — 部门内部可见,本地+私有云
🟡 内部 — 全公司可见,可用付费云模型
🟢 公开 — 可外发,可用免费模型

信号进入管线时自动判定密级。密级决定三件事：

1. 存放在哪个目录（本地加密/共享目录/公开目录）
2. 可以用什么模型处理（免费/付费/仅本地）
3. 能不能写入外部渠道（品牌部发文/销售部对外——只能是🟢级信号）

成本优化：🟢级走免费模型，🟡级走付费稳定模型，🔴🟠级走本地deepseek-v4-pro。分级=省钱。

---

神经链设计（三通道冗余）

text

通道A: sessions_send — 实时，Push型，零延迟
通道B: 共享文件    — 异步，Pull型，有审计，断网也可读
通道C: 云文档/飞书  — 云端，跨设备，本地磁盘也不怕

设计原则：

• 三通道底层机制不同（IPC/文件系统/HTTP API）→不可能同一根因全断
• 每个部门至少接两条通道。只靠一条=你只有一条命
• 传输完≠收到。3分钟内无确认→切换通道重传
• 心跳检测：每15分钟检查各通道连通性

---

摄入源管理

每一个摄入源都需要四个元数据：

1. 该不该摄入？（价值判断）
2. 谁适合消化？（部门分配）
3. 多久跟踪一次？（频率）
4. 什么时候该停？（废弃标准）

没有废弃标准的摄入源是终身债务。你每天看的东西增多，能用的精力减少。

---

发布铁律（双审制）

数据中心（技术审查）：

• 八步管线逻辑可执行
• 密级路由白名单完整
• 无真实敏感数据示例
• 所有文件路径有效

CEO（内容审查）：

• 推理模式逻辑正确
• 差异化定位准确（vs静态知识库/Claude Code）
• 公开传播安全
• 分层可用

---

升级节奏（周迭代）

text

每周六 双审 → 小修+0.0.1 / 中改+0.1.0 / 大改+1.0.0

---

References

• references/pipeline-playbook.md — 八步管线每步操作手册+SLA速查
• references/inference-patterns.md — WISDOM_GRAPH/ACTION_PIPELINE/ONE_MORE_THING完整逻辑
• references/neural-chain-design.md — 三通道架构细节+故障切换+心跳