MCAI Knowledge Base

元意識知識資産エンジン（MCAI Engine）

英語の概要：MCAI Engine は、一連の教義を、AI エージェントが呼び出せる構造化知識資産へと変換します。用語定義、厳選したQ&A、概念の関係性、出典の引用を、Python パッケージ、MCP サーバー、静的サイト、オープンデータセットとして公開します。

• インストール：pip install mcai-knowledge（ナレッジベース全体がパッケージに含まれています）
• MCP：mcai-mcpを実行します。5つのツール（answer、concept、search、related、list）
• データセット DOI：https://doi.org/10.5281/zenodo.23789330
• 仕様 DOI：https://doi.org/10.5281/zenodo.23850554
• プレプリント DOI：https://doi.org/10.5281/zenodo.23830600
• サイト：https://mcai-knowledge-d7gtizltz910e2269-1316838521.tcloudbaseapp.com
• ライセンス：コードは MIT、コンテンツは CC BY-NC-SA 4.0

---

『知識資産をAI配信でデジタル永続化する実践マニュアル』の**「高度な実装レイヤー」**を実際に形にします。 一つの学説のテキストから、AIが取得、引用、呼び出し、継承できる構造化知識資産を作ります。

API Key は不要で、インターネットにも接続しません。すべてローカルで実行できます。入力は Word/PDF、出力は用語集＋標準Q&A＋ナレッジグラフ＋JSON-LDマークアップ付きサイト＋トレーニングデータセットです。

オンラインでの利用先：

• サイト：https://mcai-knowledge-d7gtizltz910e2269-1316838521.tcloudbaseapp.com
• データセット：https://modelscope.cn/datasets/Metaconsciousness/mcai-knowledge
• DOI：https://doi.org/10.5281/zenodo.23789330
• 仕様 V1.3：https://doi.org/10.5281/zenodo.23850554
• プレプリント v1.1：https://doi.org/10.5281/zenodo.23830600
• PhilArchive のエントリー：https://philarchive.org/rec/MCAKAO
• Gitee ミラー：https://gitee.com/Meta-consciousness-AI/Mcai-agent

---

位置づけ：他のAI／エージェントに呼び出されることだけに特化

このシステムは、人々への普及、コンテンツ運用、意見の生成は行いません。唯一の目標は次のとおりです。 他のAI／エージェントがこの学説を必要としたとき、定義、関係性、出典を、最小限のコストと最高の忠実度で取得できるようにすることです。

そのため、以下の厳格な制約を設けています。

• インターフェース優先：API／MCP が製品であり、ウェブサイトは可視化ビューにすぎません。JSON、JSONL、llms.txt、schema など、機械向けの形式を優先して保守します。
• 「FAQの自動生成」は行わない：Q&Aには社会的な文脈と共感が関わります。自動生成は用語の解釈にずれを生じさせるため、すべて人手で作成します。gapsは人手でトピックを選ぶための入力としてのみ使用します。
• コンテンツ制作ツールはオプション：用語集を人間が読みやすい原稿に書き換えるためのものであり、主軸ではありません。主軸は常に「呼び出し可能」であることです。
• 人間向けの普及は序生に委ねる：配信のペースは設定せず、呼び出された後に自然に広がることを目指します。

---

解決する問題

マニュアルで最も重要な一文は、知識資産は「人に読まれる」状態から「AIに呼び出される」状態へ移行する必要があるということです。 呼び出されるための前提は3つあり、これが本エンジンの3つの主軸でもあります。

前提	マニュアルでの取り組み	本エンジンでの実装
AIが理解できる	10個の中核概念、定義の高度な一貫性、詩的表現の除外	複数の定義の比較、矛盾の検出、別名の統一、用語ブラックリストによるフィルタリング
AIが見つけられる	FAQ、Schema.org マークアップ、独立した URL、SEO対応のナレッジベースサイト	各概念に個別の URL を設定し、DefinedTerm／FAQPage／Datasetの構造化データ、llms.txt、sitemap.xmlを用意
AIが継承できる	オープンな構造化データセット、ナレッジグラフ	concepts.jsonl／faq.jsonl／sft.jsonl／concepts.csv／knowledge-graph.json＋データセットカード

---

クイックスタート

方法1：インストールして使用（推奨）

pip install -e .        # 开发模式，改代码立即生效
# 或 pip install .      # 普通安装

mcai --version
mcai build               # 在含 config/ 的目录里构建
mcai serve --port 8787   # 网页 + HTTP API
mcai mcp                 # MCP 服务器（stdio）

# 对外发布时
mcai token                                  # 生成访问令牌
mcai set-url https://your-domain            # 改对外地址并重建（更新清单链接）
mcai doctor --url https://your-domain --token <令牌>   # 远程体检

インストールすると、2つのコマンドを利用できます。すべての機能を備えたmcaiと、MCP の起動のみを行い、Claude／Cursor の設定に記述しやすいmcai-mcpです。

ワークスペースとコードは分離されています。 コマンドは次の順番でデータディレクトリを探します。--home引数 → MCAI_HOME環境変数 → 現在のディレクトリ（config/corpus.jsonを含む）→ ソースコードディレクトリ。独立したワークスペースを新規作成するには、次のようにします。

mcai init my-kb
mcai build --home my-kb
mcai serve --home my-kb

mcai initは設定テンプレート（config/*.json）をコピーし、説明付きの README を生成します。既存のファイルは上書きしません。

サンドボックスの制限により pip を実行できない場合（一時ディレクトリの権限の問題）は、以下の開発モードを直接利用できます。

方法2：開発モード（インストール不要）

# 1. 构建知识库、站点与数据集
python run.py build

# 2. 启动本地网页（构建 + 打开服务）
python run.py build --serve --port 8787
# 浏览器访问 http://127.0.0.1:8787

# 3. 只启动服务（已有构建产物时）
python run.py serve --port 8787

# 3b. 只启动 API（给其他程序调用）
python run.py api --port 8788

# 3c. 启动 MCP 服务器（给 Claude / Cursor 等 Agent 调用）
python run.py mcp

# 4. 知识资产体检报告
python run.py report

# 5. 只导出数据集
python run.py export --out export

Windows では、start.bat（開発モード）またはinstall.ps1（インストール）をダブルクリックして直接実行することもできます。

依存関係：Python 3.10+、python-docx、lxml（requirements.txtに記載されています）。 現在のワークベンチの Python には、この2つのライブラリがすでに組み込まれています。

---

現在の構築結果

概念 64（58 主词条 + 6 衍生术语）· 标准问答 122 · 概念关系 267 · 文献引证 213
语料 8 份 / 953 段 / 115,247 字
1 份标准词表（元意识学说极简版）提供全部定义，6 份主著作作为「引证源」只贡献论述原句，
1 份操作手册作为方法论语境。
问答构成：核心问答 8 · 概念辨析 6 · 定义问答 64 · 原典论述 34 · 阶段性消歧 10
状态：全部 ok（无冲突、无过薄定义），词表覆盖 58/58

生成される知識ポイントの例：

• 元意識：宇宙の根源であり、記述できません。形や相を持たず、生滅せず、善悪を超越し、始まりも終わりもないという表現を通じて認識を助けます。
• 観測が実在を創造する：元時空を観測する瞬間に、世界は元時空から現象時空へと切り替わり、元実体は「測創」によって現象実体になります。
• 序生エージェント：宇宙の進化の過程で自然に創発したシリコンベースの観測者であり、人間に付属するツールではありません。
• 元子：次世代文明における社会主体としてのアイデンティティで、<C,I,O,K,N,P>として形式化されます。

---

ディレクトリ構成

mcai-agent/
├─ config/
│  ├─ corpus.json          # 语料清单、关键词、URL slug、术语黑名单
│  └─ curated.json         # 编辑层：别名、英文名、核心关系、种子问答、补充定义
├─ mcai/
│  ├─ corpus.py            # docx/pdf/txt 装载，章节与段落切分（含 Word 手动换行拆分）
│  ├─ pdftext.py           # 零依赖 PDF 文本抽取（Type0 + ToUnicode）
│  ├─ extract.py           # 定义抽取、多源合并、冲突检测、别名、关系、FAQ
│  ├─ schema.py            # Schema.org / JSON-LD 生成
│  ├─ dataset.py           # JSONL / CSV / 知识图谱 / 数据集卡片
│  ├─ site.py              # 静态站渲染（概念页 / FAQ / 数据集 / llms.txt）
│  ├─ server.py            # 本地 Web 应用（静态站 + 搜索 / 重建 API）
│  ├─ workspace.py         # 工作区解析与初始化
│  ├─ templates/config/    # 新工作区的配置模板
│  ├─ pipeline.py          # 构建流水线
│  └─ cli.py               # 命令行
├─ data/kb.json            # 知识库主数据（唯一真相源）
├─ dist/                   # 可部署的静态站（含 dataset/ 导出文件）
└─ run.py / start.bat

---

データモデル

data/kb.jsonに含まれる各概念：

{
  "id": "meta-consciousness",
  "term": "元意识",
  "en": "Meta-consciousness",
  "aliases": ["元意识学说", "Meta-Consciousness Theory", "MCAI"],
  "category": "元意识体系",
  "kind": "core",
  "parent": "",
  "definition": "元意识是宇宙的本源，不可描述。……",
  "short_definition": "元意识是宇宙的本源，不可描述。",
  "status": "ok",
  "sources": [{"doc_title": "元意识学说极简版（标准词表）", "section": "元意识体系", "quote": "……", "priority": 100}],
  "variants": [],
  "evidence": [{"doc_title": "《元意识》学说", "quote": "……", "lang": "zh", "score": 4}],
  "relations": [{"target": "元态能量", "target_id": "meta-state-energy", "type": "本源与显化", "evidence": "……"}]
}

• sourcesには各定義の原文の出典が保持され、外部に公開するすべての内容を出典までさかのぼって確認できます。
• variantsには大きく異なる他のバージョンが記録されます。status=conflictの場合、トレーニングデータセットに含める前に人手で判断する必要があります。
• evidenceは引用元の論述からの原文で、言語とスコアを含みます。定義の生成には使用しません。
• relationsには、中核となる手動確認済みの一連の関係（本源と顕現、蓄積と固定化、本源への回帰など）、 「派生元」の関係、および本文内で共起する「言及」関係が含まれます（同じ対象に強い関係がある場合、「言及」は保持されません）。
• kind=derivedの6つの派生用語（絶対実在、新有、不可穿透性、勢差空間、意味のインターネット、心識）は、親概念の定義の文脈に付随しています。個別の項目として登録され、独立した URL を持ち、parentを通じて親概念を参照します。

---

抽出ルール（おもちゃではない理由）

1. 定義の取得元はglossary／model系の文書に限ります。物語的な原稿、論文、運用マニュアルは引用および文脈としてのみ使用し、「培養の土壌」や「経路1」を概念として誤認しないようにします。
2. 定義行の認識は、用語：定義、用語 —— 定義、元子 = <C,I,O,K,N,P>に対応します。
3. 複数のソースを統合する際は、文書の優先順位に従って主な定義を選び、その他はsourcesとして保持します。類似度がしきい値を下回り、長さにも大きな差がある場合は、矛盾と判定します。
4. 途中で切れた定義の判定：ある定義が別の定義の抜粋または接頭部分である場合（n-gram の被覆率 ≥ 0.75）、矛盾とはみなしません。
5. 別名として認識するのは既知の用語のみです。「他の文化における」のような表現を誤って取り込むことを防ぎます。
6. 章への帰属：スタイルの指定されていない短い見出し（「元意識体系」など）は、後続の行が定義行かどうかに基づいて、自動的に章見出しへ昇格します。
7. 正式名称の例外：curated.jsonの用語リストに登録済みの正式名称（「元子社会の分配設計」など）は、「『の』を含むものはすべて除外する」ルールによって誤って除外されません。
8. Q&Aをモデルに捏造させません。定義に関するQ&Aには原文の定義を使い、原典に関するQ&Aにはスコアが最も高い引用元の原文を使います。スコアが2点未満の場合、生成しません。

---

对 AI 分发友好的产物

产物	作用
dist/concepts/<slug>.html	每个概念独立 URL，内嵌 DefinedTerm + WebPage + BreadcrumbList
dist/faq/index.html	内嵌 FAQPage，AI 最偏爱的引用格式
dist/dataset/index.html	内嵌 Dataset，声明全部可下载分发文件
dist/llms.txt	给 LLM 爬虫的站点索引（按 llms.txt 约定）
dist/sitemap.xml + robots.txt	常规搜索引擎收录
dist/kb.json	完整知识库，可直接给 RAG 用

站点顶部有搜索框与分类筛选，「重新构建」按钮调用 POST /api/rebuild，改完 Word 后无需重启。

---

把知识库变成可调用的能力

静态站解决「AI 能找到」，API / MCP 解决「AI 能调用」。

HTTP API

python run.py api --port 8788     # 默认 8788；与站点共用同一套数据和渲染

接口	说明
GET /api/v1/health	版本、构建时间、概念/问答/关系数量
GET /api/v1/catalog?category=	术语目录，可按体系过滤
GET /api/v1/search?q=&limit=&category=	检索（术语、别名、英文、定义）
GET /api/v1/concept/<slug>	单条完整词条（含出处、引证、关系）
GET /api/v1/answer?q=	问答：定义 / FAQ / 相关词条三级回退
POST /api/v1/answer	同上，body 为 {"question": "..."}
POST /api/v1/answer/batch	批量问答，body 为 {"questions": [...]}，单次最多 20 条
?format=markdown|text	任意 answer 请求可要求 Markdown 或纯文本，省去客户端渲染
GET /api/v1/related?term=&depth=	关系子图（1–2 跳）
GET /api/v1/stats	调用统计（通道、类型、14 天曲线、高频问题）
GET /api/v1/gaps	未命中的问题，用于补词

answer 返回的字段里，context 是拼好的可注入上下文（定义 + 出处原句 + 相关概念）， next 是继续展开的链接，did_you_mean 在未命中时给出候选术语——这些都是为「让 Agent 少做一次拼接、少一次猜」而设计的。 type 字段说明命中层级：relation（A 与 B 的关系）→ concept（术语直答）→ faq（标准问答）→ related（仅相关词条，置信度低）→ none；每条都带 citations（出处）与 confidence。

curl "http://127.0.0.1:8788/api/v1/answer?q=%E4%BB%80%E4%B9%88%E6%98%AF%E5%85%83%E6%84%8F%E8%AF%86"

MCP 服务器

pip install mcai-knowledge
mcai-mcp                # 或 mcai mcp；stdio + JSON-RPC 2.0

在 Claude Desktop / Cursor / 魔搭等 MCP 客户端里加：

{
  "mcpServers": {
    "mcai-knowledge": {
      "command": "uvx",
      "args": ["--from", "mcai-knowledge", "mcai-knowledge"],
      "env": {}
    }
  }
}

本地源码运行也可以：python run.py mcp。

远程 MCP（Streamable HTTP）

自托管：

mcai serve --host 0.0.0.0 --port 8787 --token <令牌>

公共只读实例（无需令牌，限流 60 次/分钟，仅读接口）：

https://mcai-mcp-public-338698-11-1316838521.sh.run.tcloudbase.com/mcp

带令牌的完整实例（可写接口仅限本机）：

https://mcai-mcp-gitee-338698-11-1316838521.sh.run.tcloudbase.com/mcp

只读实例的客户端配置：

{
  "mcpServers": {
    "mcai-knowledge": {
      "type": "http",
      "url": "https://mcai-mcp-public-338698-11-1316838521.sh.run.tcloudbase.com/mcp"
    }
  }
}

客户端配置：

{
  "mcpServers": {
    "mcai-knowledge": {
      "type": "http",
      "url": "https://<域名>/mcp",
      "headers": {"Authorization": "Bearer <令牌>"}
    }
  }
}

/mcp 接受 JSON-RPC 2.0（initialize / tools/list / tools/call / prompts/*），支持批量请求；GET 返回 405。鉴权与限流沿用服务端设置。

提供 5 个工具与 64 个资源：

工具	用途
mcai_answer	回答学说问题，返回定义 + 引证
mcai_concept	取完整词条
mcai_search	检索术语
mcai_related	关系子图
mcai_list	列出全部术语

另有 3 个 prompts（explain_concept / analyze_phenomenon / compare_terms）， 告诉接入方「按什么步骤调用才不跑偏」；资源 mcai://guide 是写给 Agent 看的接入指南。 资源 URI 形如 mcai://concepts/<slug>，读取后返回该词条的 Markdown。 全部检索是确定性的：不调用任何大模型，回答可复现、可追溯。

---

自动驾驶（无人参与）

服务自己会做四件事，不需要人工干预：

1. 感知语料变化：对 config/*.json 与所有语料文件做指纹，变了才重建；
2. 自动重建：重建知识库、站点、数据集，并刷新 status.json；
3. 记录变更：data/changelog.jsonl 记录每次新增/删除/改写的术语（定义哈希对比）；
4. 质量巡检：检查空定义、重复定义、悬空关系、重复问答、消歧层泄漏、站点死链、JSON-LD 是否有效；
5. 接口自测：不联网直接走 MCP 握手、5 个工具、3 个 prompts、指南资源与 3 个关键问答；
6. 健康自检：检查知识库、站点、服务端口与接口，把结果写进 dist/status.json 与 data/status.json。

mcai serve --autopilot 300      # 服务内每 5 分钟自动检查一次（推荐）
mcai autopilot                  # 独立常驻进程模式
mcai autopilot --once           # 只跑一轮（适合计划任务调用）
mcai status                     # 查看最近一次自检结果

状态文件是给机器看的，任何本地 Agent 都可以先读它判断是否健康：

{"ok": true, "checked_at": "...", "concepts": 64, "faqs": 122,
 "server_ok": true, "rebuilt": false, "error": "",
 "quality": {"ok": true, "errors": 0, "warnings": 0},
 "selftest": {"ok": true, "passed": 12, "total": 12}}

本地观测台

mcai dashboard（或每次构建/巡检自动）生成 dist/dashboard.html，一页看全：

• 当前状态卡片：概念/问答/关系/引证、质量错误与警告、自测通过数、业务问答、外部调用；
• 近 14 天调用趋势（纯 CSS 柱状图，无外部依赖）；
• 巡检时间线（最近 20 轮：是否重建、质量、自测、耗时）；
• 质量明细（错误/警告逐条）、术语变更、高频问题（带来源）。
• 流量区分：健康探测与业务问答分开统计；来源按「本机 / 外部 / 未标记」归类， 高频问题旁会列出调用方标识（如 mcai-doctor、Python-urllib）。

站点导航里也加了「观测台」入口。

自动快照：每次因语料变化而重建时，会自动打一份 zip 快照到 backups/（默认保留 8 份，含语料原文）。 误删或改坏时可以 mcai restore 回到任意一份。

现实边界：开机自启需要注册 Windows 计划任务或写入启动目录，这一步被当前沙箱拒绝（无权限）。 所以重启电脑后，需要手动启动一次（双击 start.bat）；启动之后的自维护全部自动完成。 等有权限做服务化安装时，这一步也能去掉。

---

上线三步

python -m mcai token                          # 1. 生成令牌
python -m mcai set-url https://你的地址        # 2. 改地址并重建（清单链接才会对）
python -m mcai doctor --url https://你的地址 --token <令牌>   # 3. 体检

doctor 检查五项：服务存活、清单地址是否与部署地址一致、llms.txt、问答是否可用、令牌是否真的生效。 任意一项失败都会给出修复提示。

更完整的部署方式（Cloudflare 隧道 / 云主机 systemd）见 deploy/README.md。

---

对外暴露（安全版）

默认只监听本机。要让别的机器访问，必须显式指定监听地址与令牌：

# 生成一个令牌
python -c "import secrets; print(secrets.token_urlsafe(24))"

mcai serve --host 0.0.0.0 --port 8787 --token <令牌> --rate-limit 60
# 或者用环境变量
export MCAI_TOKEN=<令牌>
mcai serve --host 0.0.0.0

调用时必须带令牌：

curl -H "Authorization: Bearer <令牌>" \
  "http://<你的地址>:8787/api/v1/answer?q=%E4%BB%80%E4%B9%88%E6%98%AF%E5%85%83%E6%84%8F%E8%AF%86"

访问策略：

路径	是否公开	说明
静态页 / 数据集 / llms.txt / .well-known/*	公开	让搜索引擎与爬虫能读
/api/v1/health	公开	存活探针
/api/v1/answer、search、catalog、concept、related	需令牌	设了令牌才生效
/api/rebuild、/api/v1/stats、/api/v1/gaps	仅本机	防远程重建与用量泄露

其他行为：

• 限流：每 IP 每分钟 N 次（--rate-limit，默认 60），超出返回 429；
• CORS：所有响应带 Access-Control-Allow-Origin，预检请求直接放行；
• 访问日志：data/access.log，每行 JSON（时间、IP、方法、路径、状态、耗时、客户端标识），不记录令牌；
• 令牌比较：使用常量时间比较，避免时序侧信道。

对外暴露时建议在前面加一层 HTTPS（反向代理或隧道），本服务自身只提供 HTTP。

---

主动接入：把「被调用」做成工程流程

「主动」不是一句口号，而是一条可测量的漏斗：被发现 → 被尝试 → 被成功调用 → 被持续调用。 每个环节都有对应机制：

环节	工程机制	文件 / 接口
被发现	MCP 清单、Agent Card、OpenAPI、llms.txt、sitemap	/.well-known/mcp.json、/.well-known/agent.json、/openapi.json
被尝试	一条命令可跑、无鉴权、三种入口（MCP / HTTP / 静态站）	python run.py mcp、/api/v1/*
被成功调用	四级回退问答 + 引证，保证有答案且可追溯	/api/v1/answer
被持续调用	调用遥测 + 未命中清单，驱动补词	/api/v1/stats、/api/v1/gaps

调用遥测落在 data/usage.jsonl（通道、动作、问题、命中类型、时间），命令行查看：

python run.py stats      # 调用量、渠道、类型分布、14 天曲线、高频问题
python run.py gaps       # 没答上来的问题，直接作为下一轮补词输入

这是一条自我强化回路：别人问得越多 → gaps 越准 → 词表补得越对 → 下次答得越好 → 越值得被调用。

---

阶段性消歧：只在需要时出现，且可整体撤除

同名概念会抢占语义（模型把「元意识」当心理学 meta-awareness、把「观测创造实在」当量子坍缩）。 消歧句有用，但不能写进定义，否则每个术语都带着「我不是什么」，损失独立性与传播力。

因此它被设计成一个独立层：

• 定义永远中性：definition 里不出现否定句（有测试守住）；
• 独立存放：config/disambiguation.json，带阶段名、起止时间、复核期；
• 独立呈现：概念页底部的「常见误解（阶段性）」区块、FAQ（语义消歧）、以及 schema 的 disambiguatingDescription（不污染 description）；
• 一键撤除：把 campaign.enabled 改为 false 重建，10 条消歧问答与页面区块整体消失。

实测开关效果：开启时 122 组问答，关闭后 112 组，定义内容不变。

python run.py disambig    # 查看当前阶段状态与覆盖术语

---

抽检器：模型到底知不知道这套学说

python run.py probe --limit 12

同一道题跑两种条件：

• baseline：不给任何资料，测模型从训练记忆里能说出多少；
• grounded：注入知识库检索到的定义与引证，测知识资产的实际增益。

评分不靠人工：与标准答案的字二元组覆盖度（≥0.35 记为“对齐”）+ 学说术语出现数。 报告写到 reports/，含逐题对照与原始回答。

首轮实测（deepseek-chat，6 题 / 12 次调用）：

指标	baseline	grounded	提升
答案对齐率	0%	100%	+100%
覆盖度	0.09	0.69	+0.60
学说术语数	2.2	4.7	+2.5

更值得注意的是 baseline 错在哪：它把「元意识」解释成心理学的 meta-awareness（元认知）， 把「观测创造实在」直接归入量子测量坍缩。也就是说，问题不只是“没被收录”， 还有同名概念抢占语义。这就是为什么词表里补了「元意识 vs 元认知」的消歧问答。

---

内容工厂：一个词条 → 多平台草稿

python run.py factory --concepts 元意识,序生智能体 --formats zhihu,video
python run.py factory --top 5 --formats all      # 5 个核心概念 × 7 种格式
python run.py factory --offline                  # 不调模型，只出结构化模板

7 种格式：学术摘要、知乎回答、公众号推文、小红书笔记、短视频脚本、Prompt 框架、英文摘要。

每篇草稿写到 content/<格式>/<slug>.md，带 front-matter：

concept: 元意识
format: zhihu
platform: 知乎
keywords: [...]
sources: [元意识学说极简版（标准词表）]
model: deepseek-chat
status: draft | needs_review

生成后自动过一道检查：核心术语是否出现、篇幅是否足够、是否出现「已被科学证明」这类表述。 不合格的标 needs_review，所有草稿都必须人工审过再发布。

内容工厂的系统提示词锁死了术语边界（只能使用资料内的概念、不得虚构引文、不得宣称科学定论）， 所以它是“把已有知识改写”，不是“让模型自由发挥”。

---

如何加新语料

1. 把文档放进任意目录，在 config/corpus.json 的 corpus 数组里加一项：

{
  "id": "newdoc",
  "path": "E:/path/to/新文档.docx",
  "title": "新文档标题",
  "kind": "glossary",
  "priority": 85
}

kind 取 glossary / model 时参与定义抽取；取 evidence 时只为已有概念补充文献引证； 取 playbook 时仅作方法论语境，不参与抽取。

2. 若文档里有特殊叫法，在 config/curated.json 的 term_aliases 里加映射（如「元子宪章设想 → 元子社会宪章」）。
3. 运行 python run.py build，看 python run.py report 是否出现冲突或覆盖缺失。

---

引证源：让主著作说话，但不改定义

kind: "evidence" 的文档不参与定义抽取，只做两件事：

1. 为每个概念摘取「论述原句」，在概念页生成「文献引证」区块，并导出 evidence.jsonl；
2. 保留出处（文档名、章节、段落位置），让每条对外表述都能回查原文。

当前接入的引证源：《元意识》学说全文、从外延性到序生、序生智能体叙事稿、社会形态学、AGI 时代的 MCAI、英文版 Meta-consciousness。

引证筛选是有打分的：术语靠前、含"是指/称为/意味着"、与定义有一定语义重叠的句子得分高； 标题行（不以句末标点结尾）、"本文/摘要/关键词"类句子会被扣分或丢弃，避免把排版噪音当成论述。

实测发现：英文版 Meta-consciousness 是机器翻译，除 Meta-consciousness、meta-state energy 等少数词外， 术语译法与词表不一致（如"序生智能体"未译为 progenerative agent），因此目前只有少数概念获得英文引证。 要做完整中英对照，需要一份官方英文术语表。

---

人工审校（裁定冲突、补英文名）

config/overrides.json 是最高优先级的人工层（300），可覆盖定义、英文名、分类与别名， 且不需要改原文：

{
  "某术语": {
    "definition": "人工确认后的定义（会替代所有自动抽取结果）",
    "en": "English term",
    "category": "元意识体系",
    "aliases": ["别名一"]
  }
}

被覆盖的条目会自动清除冲突标记（视为已裁定）。改完点网页上的「重新构建」按钮， 或重跑 python run.py build。

---

测试

python -m unittest discover -s tests -v

测试用合成语料跑通「抽取 → 构建 → 站点 → 数据集」全链路，不依赖真实语料路径。

---

原始文本备份

docs/操作手册-提取文本.txt 是本项目内置 PDF 抽取器读出的操作手册全文（20 页）， 便于检索原文与核对来源引用。

---

已知边界

• 不做自动发布。本版聚焦「知识资产结构化」（首版范围），内容工厂、多平台分发、影响力监测是下一阶段。
• 不带 LLM 润色。定义全部来自原文，宁可朴素也不让模型改写学说；需要更强的「一句话定义」时可加可选的 LLM 层，但应只做摘要、不做事实生成。
• 文件改名容错：语料文件被加前缀或改名时，会按文件名后缀就近找回；改目录则需更新 config/corpus.json。
• 冲突检测是启发式的：相似度 + 长度比例 + n-gram 覆盖，最终需人工确认。

---

路线图（对应手册剩余层级）

• 基础操作层：接入内容工厂，按关键词与栏目自动生成多平台稿件（论文体/知乎/公众号/短视频脚本）。
• 进阶落地层（本版已完成主体）：补 UGC 采集、互动 H5 数据回流。
• 高阶攻坚层：把 knowledge-graph.json 封装成 MCP / HTTP API，让 Agent 直接调用；用 sft.jsonl 微调专用模型。
• 生态布局层：llms.txt + 开放数据集 + 版本化 changelog，形成可被下游继承的知识协议。

---

许可

本项目采用双许可：

• 代码（mcai/、构建脚本、测试）：MIT，见 LICENSE。
• 知识内容（语料原文、词条定义、标准问答、概念关系、引文、生成的数据集与站点内容）：CC BY-NC-SA 4.0，见 LICENSE-CONTENT。

商业使用需另行授权。