用途
Corpus Persona-Extraction 用于从大量会话日志中提炼某个特定说话者（persona）的思考与表达方式，并将其固化为机器可用的词库（lexicon），供下游智能体据此写作。它解决的问题是：与长期人类协作者共事的智能体，每次都要从头重新学习对方的语气——包括自造词、承载意义的隐喻，以及哪些句式表示“同意，继续”还是“你没抓住重点”。词库文件让这些知识变得持久且可组合：语气校验关卡可以据此打分，起草类技能可以据此模仿，翻译层（persona storefronts）可以据此投射。
核心原则
- 用户自造词优先于标准词汇。当语料显示某概念有独特术语（如 “vacuum”“organ”“cartridge”“liturgy”）时，词库将该自造词记为主条目，标准术语作为注释，绝不反过来。
- 只追加（Append-only）。每次提取运行新增一个带日期的区块。此前的区块是漂移的证据，而非需要清理的错误。
- 严格区分说话者。转录中交织着人类、助手与工具文本。只有 persona 本人的发言进入词频分析；助手的转述会污染信号。
工作流程
1. 汇集并过滤语料
收集会话文件；在提取头部记录来源（路径、日期范围、消息数量）。将每种格式解析为 (speaker, timestamp, text) 元组；只保留 speaker == persona_id 的发言。剥离引用/粘贴内容（代码块、工具输出、复制文本）——只保留 persona 自己的行文。分析前先脱敏：先让语料通过密钥/PII 模式匹配；词库必须可共享。
2. 词汇频率
分词；计算 unigram/bigram/trigram 的频率排名。与通用英语基线做差分：真正有意义的集合是语料排名远超基线排名的词（keyness），而非原始频率。将结果分桶：领域术语（与所在领域共享）、自造词（基线中完全不存在）、变体用法（标准词用于非标准含义）。
3. 习语与结构性类比
习语：含义稳定的反复出现的多词表达（如 “fix bases, not outputs”“the soul persists”）。结构性类比：persona 习惯映射的来源域——音乐、解剖学、礼拜仪式、建筑。每条记录为 analogy: {source_domain} → {target_domain}，并附 2-3 条逐字示例。语域标记：脏话模式、强调习惯（大写、破折号）、句长分布、祈使句密度。
4. 合成 ideal_yearning 与 archetypal_pattern
这两个字段是词库的灵魂——简短的合成陈述，每条至少以 3 条逐字引用为依据：
- ideal_yearning——persona 在所有会话中追求的东西；任务之下反复出现的愿望。用 persona 自己的习语写成一句话。
- archetypal_pattern——persona 反复扮演的角色/形态（例如“建造乐团而非演奏乐器的指挥家”）。一句话加证据引用。
这些是假设，标注提取日期与置信度——后续区块可能修订它们。
5. 追加到词库
以追加区块形式写入，绝不重写。示例结构包含 extraction（日期、语料统计、脱敏情况）、vocabulary（coinages、domain_terms、inflections）、idioms、analogies、register、ideal_yearning、archetypal_pattern 等字段。
6. 报告
输出一份简短的提取报告：自上一区块以来的新自造词、消失的词（候选漂移），以及对 yearning/pattern 的任何修订及其迫使修订的证据。词库与报告一起提交。
反模式
- 从助手发言中提取。最常见的污染；词库最终描述的是模型，而非 persona。
- 覆盖此前的区块。区块之间的漂移是最有价值的纵向信号；应保留它。
- 未脱敏的词库。逐字示例引用可能携带源会话中的凭据/PII；应在提取时脱敏，而非事后。
- 从一次高调会话中合成 yearning。主题进入 yearning/pattern 字段前，要求跨会话复现（≥3 次会话）。
适用场景与限制
适用于需要长期维持特定人类协作者语气一致性的智能体工作流，例如语气校验、起草模仿、翻译投射。限制包括：需要足够多且跨会话的语料；必须严格过滤说话者并脱敏；词库只追加不覆盖；yearning/pattern 为带置信度的假设，可能被后续区块修订。关于具体安装命令、收费、价格、平台支持等信息，资料中暂未提供。