企业官网建设流程全解析

• 人工智能
• RAG
• Agent 记忆
• MCP 服务
• 知识管理

导读

本文围绕 gbrain 开源仓库中gbrain-daily插件变体的briefing技能（plugin-variants/gbrain-daily/skills/briefing/SKILL.md）展开，系统讲解如何用 gbrain 的 CLI 命令（salience、anomalies、recall、waiting 等）在撰写晨报之前做一轮“预简报上下文拉取”，再按六个阶段编排会议、活跃交易、待办事项与人员动态。读完本文，你将掌握从脑库（brain）中系统性抽取上下文、生成带引用的每日简报、并规避五大反模式（anti-patterns）的完整实战方法。文中所有命令与参数均以仓库源码为准逐一验证。

技能定位：briefing 是什么

briefing是 gbrain-daily 插件变体中用于“从脑库上下文编译每日简报”的技能，当前版本为 1.3.0（上游对齐briefing@fc834ee）。它在技能清单中的核心定义如下（来自 SKILL.md 的 frontmatter）：

• 描述：结合会议上下文、活跃交易与引用追踪编译每日简报；
• 触发短语：daily briefing、morning briefing、what's happening today、brain pulse、pre-briefing pull；
• 声明的工具：search、query、get_page、list_pages、get_timeline；
• 变更属性：mutating: false——技能本身是只读的，默认不修改任何脑库页面。

从 routing-eval.jsonl 可以看到该技能的意图路由评测也同步更新："Give me the brain pulse before my first meeting"、"Run the pre-briefing pull: salience, anomalies, and recall"均路由到briefing；同时评测明确了两条边界——单个页面的异常溯源（"Why did the page for acme-example suddenly spike"）不属于简报职责（预期技能为 null），而与daily-task-prep存在意图歧义（“今天会议与热点话题概览”被标记为ambiguous_with）。这提醒我们：briefing 的职责边界是“聚合式每日消化”，不是单点调查。

Contract：简报的五条铁律

SKILL.md 在## Contract一节给出了编制简报时必须遵守的五条契约，这也是后续所有小节的设计依据：

1. 每条事实都要带行内引用：格式为[Source: slug, updated DATE]；
2. 会议参与者必须对照脑库解析：解析不到的缺口要显式标注（gap 要暴露，不能沉默）；
3. 活跃交易与行动项必须包含截止日期和时效上下文（recency context）；
4. 简报默认只读：除非用户明确要求，不得创建或修改任何脑库页面；
5. 过期告警（stale alerts）只暴露与今日上下文相关的页面，而不是倾倒所有过期页面。

这五条把“每日简报”从“凭记忆复述”提升为“可溯源、有时效、有边界的上下文聚合”。其中第 4 条与仓库中mutating: false的声明一致，也直接呼应了后文“Anti-Patterns”中的两条红线。

预简报上下文拉取（Pre-Briefing Context Pull）

在动笔组织各章节之前，必须先完成五轮只读上下文拉取（编号 0a–0e）。SKILL.md 强调这些拉取必须在正式编撰之前全部完成，它们决定了简报的优先级与时效性。

0a. 显著性扫描（Salience Scan）

gbrain salience --days 7

该命令返回按“情绪权重 × 近期活动”排序的页面。SKILL.md 建议把 Top 5–10 折叠进简报的 “High-Salience Pages” 小节，用来决定哪些会议、交易、人物值得获得最多的简报深度。

源码侧，src/commands/salience.ts 给出了完整参数面：

• --days N：窗口天数，默认 14（SKILL.md 用--days 7收窄窗口）；
• --limit N：最大结果数，默认 20，上限 100；
• --kind PREFIX/--slug-prefix P：按 slug 前缀过滤（如personal、wiki/people）；
• --json：面向 Agent 的结构化输出。

关键实现事实：该命令完全确定性，零 LLM 调用。评分由emotional_weight（在 dream cycle 的recompute_emotional_weight阶段计算）、活跃 takes 数量与 recency 衰减项混合而成，SQL 位于引擎方法getRecentSalience。此外，在gbrain init --mcp-only的瘦客户端（thin-client）安装下，命令会透明地经 MCP 的get_recent_salience远端操作路由（对应 salience.ts 中 Issue #734 的处理），输出格式与本地路径完全一致。

0b. 异常检测（Anomaly Detection）

gbrain anomalies

默认以“今天”为检测日、以最近30 天为基线窗口；可用--lookback-days N放宽基线、用--sigma 2调低阈值。输出的是按 cohort（tag、type）聚合的“活动偏离正常节奏”的页面组——例如某标签下的提及量突然飙升，或某些页面更新频率异常。

源码侧，src/commands/anomalies.ts 确认了完整参数：

• --since YYYY-MM-DD：目标日（默认今天 UTC）；
• --lookback-days N：基线窗口（默认 30）；
• --sigma N：阈值倍数（默认 3.0），命中条件是“目标日计数 > mean + sigma × stddev”；
• --json：结构化输出。

实现细节：基线通过generate_series零填充计算 cohort×天 的均值与标准差，避免稀疏 cohort 得到有偏基线；同样零 LLM 调用，且瘦客户端走find_anomaliesMCP 操作。命中项建议放入 “Brain pulse” 之后的 “Anomalies” 小节。

0c. 个人回忆（Personal Recall）

gbrain recall --query "current priorities and preferences" --json

在编制前检查已存储的个人事实与偏好（饮食偏好、沟通偏好、先前承诺等），防止简报与用户此前陈述或决定相矛盾。--json用于结构化输出。

源码侧，src/commands/recall.ts 是 v0.31 引入的用户侧查询入口，底层直接对应 MCPrecall操作，支持两种输出形态，常用参数包括：

• gbrain recall <entity>：按实体列出事实；
• --since "8 hours ago"：列出该时间点之后的事实；
• --session <id>：按会话列出；
• --today：带 kind 图标的 Markdown 渲染；
• --grep <text>：不区分大小写的文本过滤；
• --include-expired：包含已过期事实；
• --as-context：可直接注入提示词的 Markdown；
• --json：结构化输出。

0d. 热记忆脉冲（Hot Memory Pulse，v0.32）

这是 v0.32 新增的核心能力，必须在编撰任何章节前执行：

gbrain recall --since-last-run --supersessions --pending --rollup --json

其输出折叠进简报顶部的 “Brain pulse” 小节，结构如下：

1. 隔夜解决的矛盾（Contradictions resolved overnight）——来自--supersessions输出，置顶展示，因为这是对世界模型的最新修正；
2. Top mentions——来自--rollup的top_entities（窗口内按事实数排序的 Top 5 实体 slug）；
3. 上次简报以来的新事实——按实体分组facts数组，包含kind、notability、confidence字段；
4. 待合并页脚（Pending consolidation footer）——当pending_consolidation_count > 0时，标注N facts await dream-cycle consolidation，让操作者决定是否先运行gbrain dream再继续阅读。

源码侧的关键机制（recall.ts 的 v0.32 注释）：--since-last-run会读取并推进~/.gbrain/recall-cursors/<source>.json游标文件，使下一次简报恰好从本次结束的位置续接。两个重要注意事项：

• cron 场景必须显式指定来源：cron 不会在仓库根目录的 cwd 启动，点文件（dotfile）解析可能错失正确的 source，因此 SKILL.md 明确要求传--source <slug>或设置GBRAIN_SOURCE环境变量；
• 瘦客户端透明路由：gbrain init --mcp-only安装下runRecall/runForget通过callRemoteTool路由到远端脑库（本地 PGLite 为空），但游标与--watch循环等 CLI 侧逻辑始终留在客户端。

0e. 未闭环事项（Open Loops，存在 google 来源时）

gbrain waiting --json

把“谁在等你、你承诺了什么”的真实 loop 行（含欠付内容、截止日期、证据引用、深链）折叠进 ACTION ITEMS 小节。SKILL.md 特别强调：这些是真实 loop 行而非推断式跟进，因此优先级高于基于文本启发式的跟进项。

源码侧，src/commands/loops.ts 给出了完整行为：

• gbrain waiting [--top N] [--json] [--stale-ok]：默认 Top 3 个 counterparty，输出“谁在等你 / 你承诺了什么 / 证据引用 + Gmail 深链 / 实体卡上下文”；
• 防陈旧拒绝（stale refusal）：当 google 来源在24 小时内没有成功同步时，命令会拒绝输出并点名精确修复命令（gbrain sync --source <id>）——这正是 SKILL.md 说的“stale-but-confident output on a trust-critical surface is worse than none”的设计取舍；--stale-ok可强制绕过；
• 所有路径都经受信任的本地操作层handleToolCall（remote: false）分派，CLI 与 MCP 共享同一行为；读取默认作用于__all__脑域（loops 位于 google 来源而非default），--source <id>可收窄范围；
• 管理命令：gbrain loops list|show|done|drop|mute|unmute。

当waiting拒绝并指出修复方法时，SKILL.md 建议按skills/google-loops/SKILL.md执行对应同步后重试（该技能位于 skills/google-loops/SKILL.md，负责 Gmail/Calendar/Contacts 连接器与 open-loop 引擎的日常运维，含 BYO OAuth 两步设置）。

六阶段编排：简报正文从哪来

完成预拉取后，SKILL.md 的## Phases定义了六个阶段的编排顺序，每阶段都对应一组查询模式：

1. 今日会议（Today's meetings）：对日历上每个会议，按姓名搜索每位参与者，读取其页面获取 compiled_truth 上下文，归纳“是谁、近期时间线、与你关系”；
2. 活跃交易（Active deals）：列出脑库中状态为 active 的交易页面，聚焦未来7 天内到期的截止日期与最近7 天的时间线条目；
3. 时效敏感线程（Time-sensitive threads）：来自时间线条目的未决项，含未来48 小时内到期的项与已逾期跟进；
4. 最近变更（Recent changes）：24 小时内更新的页面，说明改了什么、为什么改（读取时间线条目）；
5. 在局人物（People in play）：按 recency 排序的人物页面，条件为最近7 天更新过、且有大量近期时间线条目；
6. 过期告警（Stale alerts）：来自脑库健康检查，只挑与今日会议相关的过期页面。

这些时间窗（7 天、48 小时、24 小时）是 SKILL.md 给定的“时效层次”，决定了简报中不同信息的保鲜度标注。

GBrain 原生上下文加载：会前、邮件前、每日查询

## GBrain-Native Context Loading给出了三种具体场景的系统化加载方式：

会前（Before a meeting）——对邀请中的每位与会者：

gbrain search "<attendee name>" # 找到其脑库页面 gbrain get <slug> # 加载 compiled truth、近期时间线、关系上下文

若页面不存在，必须显式记录缺口，例如No brain page for alice-example -- consider enrichment。

邮件回复前（Before an email reply）——草拟或分诊任何邮件前：

gbrain search "<sender name>" # 加载发件人上下文

读取其 compiled truth，理解对方是谁、关心什么、你们的关系史，把“冷回复”变成“有信息量的回复”。

每日简报查询（Daily briefing queries）——用这些查询填充简报各小节：

gbrain query "active deals status" # 交易管线快照 gbrain query "meetings this week" # 近期会议页面与洞察 gbrain query "pending commitments follow-ups" # 未决线程与行动项 gbrain list --type person --sort updated_desc --limit 10 # 在局人物

输出格式：标准简报模板

SKILL.md 给出了可复制的标准模板：

DAILY BRIEFING -- [date] ======================== MEETINGS TODAY - [time] [meeting name] Participants: [name] (slug: people/name, [key context]) ACTIVE DEALS - [deal name] -- [status], deadline: [date] Recent: [latest timeline entry] ACTION ITEMS - [item] -- due [date], related to [slug] RECENT CHANGES (24h) - [slug] -- [what changed] PEOPLE IN PLAY - [name] -- [why they're active]

该模板与预拉取内容（Brain pulse / High-Salience / Anomalies）叠加，即构成完整的每日晨报。模板中每个[slug]都应当是真实脑库页面路径，为后续引用追踪提供锚点。

反向链接与引用：让简报可溯源

Back-Linking During Briefing：如果简报确实创建或更新了脑库页面（例如新的会议准备页、更新的实体页），则“反向链接铁律”适用——每个被提及的实体都必须从其页面存在反向链接。规则细节见 skills/_brain-filing-rules.md：主条目决定文件归属（人员→people/、公司→companies/、概念→concepts/，原始数据才进sources/），并且“Notability Gate”提醒——不确定是否值得建页时，宁可不建。

Citation in Briefings：所有来自脑库页面的事实都要带行内引用，示例：

"Jane is CTO of Acme [Source: people/jane-doe, updated 2026-04-01]"

这让读者（用户本人或下游 Agent）能把任何断言回溯到脑库页面并评估其新鲜度。

Anti-Patterns：五大红线

SKILL.md 在结尾明确了五条不可触犯的反模式，这也是评估简报质量的核心判据：

1. 不查脑库就编简报（Briefing without brain queries）——绝不凭记忆生成，始终查询 gbrain 获取当前数据；
2. 无引用事实（Uncited facts）——每条声明必须带[Source: slug, updated DATE]，无引用的事实不可验证；
3. 把过期上下文当作最新（Stale context presented as current）——页面超过30 天未更新必须显式标注过期，而不是当作新鲜内容呈现；
4. 未经请求修改脑库页面（Modifying brain pages unprompted）——简报默认只读，用户未明确要求不得创建或更新页面；
5. 忽略覆盖缺口（Ignoring coverage gaps）——会议参与者没有脑库页面时必须说出来，“对缺口的沉默等于隐藏无知”。

这五条与开头## Contract的五条一一呼应：1↔契约 1、3↔契约 3、4↔契约 4，2 和 5 则是把契约 1、2 从“应该做”升级为“禁止不做”。

工具清单与落地要点

SKILL.md 最后总结了本技能依赖的工具面：

• Search gbrain by name（query）
• Read a page from gbrain（get_page）
• List pages in gbrain by type（list_pages）
• Check gbrain health（get_health）
• View timeline entries in gbrain（get_timeline）

综合全文，一次标准的 briefing 落地流程可归纳为：五轮只读预拉取（salience / anomalies / recall / hot memory pulse / waiting）→ 六阶段编排（会议 / 交易 / 线程 / 变更 / 人物 / 过期）→ 按标准模板成文 → 全量行内引用 → 自检五大反模式。若以 cron 定时运行热记忆脉冲，务必带上--source <slug>或GBRAIN_SOURCE，避免游标错位；若 google 来源同步超时，先执行waiting报出的gbrain sync --source <id>再重试。所有命令均可加--json以便 Agent 程序化消费，而gbrain init --mcp-only的瘦客户端会自动把 salience、anomalies、recall 等调用路由到远端脑库，简报技能在本地与远程两种部署形态下行为一致。

• 人工智能
• RAG
• Agent 记忆
• MCP 服务
• 知识管理