用途：处理大规模语料（邮件档案、文档集、转录库）时的分层抽取模式。核心矛盾是：便宜模型处理全部内容速度快但漏掉细微之处，昂贵模型处理全部内容质量最高但成本高 10-50 倍，而多数语料是噪声。
主要流程（单遍，无中间文件）：步骤 0 隐私墙（确定性规则、不经 LLM）：命名实体与敏感模式在模型看到内容前被剥离或分流，歧义内容转人工复核。步骤 1 分诊（utility 层，约 2 秒/条）：仅做分类，输出 JSON，含 filing、user_writing_quality、emotional_significance、business_significance、era、one_line_summary 等字段，是分类器而非抽取器。步骤 2 闸门：高价值转 deep 层，普通转 reasoning 层（默认深读），噪声跳过或最小抽取。步骤 3 深读（默认 reasoning 层，升级时用 deep 层）：完整抽取摘要、实体、概念、观点、写作质量与情感意义等。步骤 4 即时写入：直接生成 brain 页面与反向链接、时间线条目、检查点（默认每 25 条保存一次）。
成本模型为单次档案运行的示例锚点，非基准；分诊约 $0.003/条、深读约 $0.05/条，实际随模型定价变化，运行前需重新校准。声称相比全量使用最贵模型节省约 50-70%，但属观察结论，需自行验证。
用法与限制：运行前可用 gbrain models 查看当前层级到模型映射，可用 gbrain config set models.tier.deep opus 固定升级层。层级通过 gbrain models 解析，禁止硬编码模型 ID。批量前须按 test-before-bulk 约定跑 10 → 100 → 500 渐进试跑。硬规则包括：用户本人写作、个人内容与重大商业时刻一律走 deep 层；分诊保持精简；不用中间文件；每 25 条检查点；隐私墙必须确定性且先于 LLM；存疑时向上提升层级。失败处理：触及成本上限或 no_pricing 时停止深读并询问用户；分诊失败或低置信度时失败关闭转人工；速率限制或重启后从检查点恢复，不重复分诊已完成的条目。