Persome核心原理解析：Point、Line、Face、Volume、Root如何构建一个关于你的模型

Persome（personal-model）是一个开源、本地优先的Personal Model（个人模型）运行平台：它在你的 Mac 上静默观察你专注的工作活动，把零散的屏幕行为逐步提炼成一套可检查、可追溯的"关于你的模型"——也就是你的HUMAN.md，再交给 Codex、Claude Code 等 MCP 客户端使用。这篇文章将完整拆解它最核心的 5 层几何结构：Point（点）、Line（线）、Face（面）、Volume（体）、Root（根），帮助你快速理解这个个人模型是如何一步步"长"出来的。

💡 一句话概括：从上千个瞬间，到一个不断演化的"你"。

一、先看全景：五层几何，一个递进的模型

Persome 借用了几何学的隐喻来组织记忆。层级越低，越接近原始事实；层级越高，越接近"人格"。官方对五层的定义非常简洁：

这套完整的分层快照结构定义在 MODEL_FORMAT.md 中，每一层都有独立的 schema 字段和审计信息（如confidence、source_receipts），保证每一个重要结论都能一路追溯到原始证据。

二、Point：一切模型的地基

Point 是"带凭条的观察"。它不是模糊的印象，而是每一条都绑定着来源（receipt）、时间戳和置信度的具体事实。

在官方合成示例 model_seed.json 中，你可以看到最朴素的 Point：

"The user reserved mornings for focused writing."（用户把上午留给专注写作）

Point 有三个关键特性，值得新手特别注意：

• 可演化（Evolution）：当事实改变时，新 Point 会supersede（取代）旧 Point，但旧版本不会被删除，而是保留下来用于审计和"时间旅行"。例如"用户预留上午写作"后来演化为"用户预留上午写作和评审"，两条 Point 都还在。
• 有置信度：低置信度的 Point 不会进入活跃模型。
• 绝不虚构：证据不足时，Persome 宁可报告"模型仍在成形"，也不会编造内容。

三、Line：让孤点连成网络

单点构不成"模型"，Line 负责把点连起来。Persome 的 Line 有两种形态（详见 docs/writer.md）：

1. kind: evolution（演化线）：连接"旧认知 → 新认知"，记录事实如何随时间变化；
2. kind: relation（关系线）：表达语义关系，例如"用户participates_inPersome 项目"，并附带谓词、置信度、有效期和来源凭条。

关系线有一个严格的设计：每一条都必须引用会话中的原文证据，谓词来自封闭词表，低于置信度门槛的一律丢弃（实现见 memory_delta.py）。这意味着模型中的每一条"线"都不是 LLM 的即兴发挥，而是可复核的结构化推断。

四、Face 与 Volume：从模式到跨域结构

当同一类事实在不同场合反复出现，模型就开始"归纳"：

• Face（面）：由 schema_miner_stage.py 挖掘的一级稳定模式。比如若干条"上午写文档""评审代码架构""保留专注时间块"的 Point，最终归纳出一张 Face："用户的深度工作以受保护的专注块为前提。"Face 的晋升要求稳定的重复支撑——一次出现永远不够。
• Volume（体）：由 cross_domain_sweeper.py 合成的二级跨域结构。它比较的是主题上互不相关的稳定 Face：当"写作领域的专注模式"和"项目治理的协作模式"反复呈现同一种行为结构时，就升维成一个 Volume，例如"用户将专注创作与协作型运行时治理相结合"。

一个巧妙的隐私细节：关于协作者（Person）的 schema 被明确排除在 Volume 输入之外——别人的行为不会被融合进"你"的模型。

五、Root：整个模型的"根"

Root 是顶点，且至多只有一个——这是 Persome 的硬性契约：多个 live Root 直接被视为契约错误。

Root 由 root_synthesis.py 在 token 预算内压缩最活跃的 Face、Volume 和画像证据生成，例如：

"A focused builder who turns personal context into an inspectable local model." （一位把个人上下文转化为可检查本地模型的专注构建者。）

Root 有三条铁律：

• 只增不造：新 Root 取代旧 Root，但输入缺失或构建失败时，绝不用空内容覆盖一个有效的旧 Root；
• 可下钻：Root 通过成员链聚合证据凭条，你可以从一句话"人格描述"一路展开到具体的 Face、Point 乃至原始捕获记录；
• 可读化：构建完成后，Root、Volume、Face 会被确定性渲染成本地~/.persome/HUMAN.md——这就是项目口号 "Build your HUMAN.md" 的由来。

上图为合成数据生成的/model视图：中央是 Root 光核，Volume 与 Face 构成轨道结构，Point 如星点云团环绕。左侧标签显示当前模型为"424 Points / 146 Lines / 12 Faces / 4 Volumes / 1 Root"。

六、从屏幕到 Root：数据流全景

新手常问："这些 Point 从哪来？"答案是一条本地优先、逐级压缩的流水线（完整架构见 docs/architecture.md）：

macOS 辅助功能捕获 ──▶ 1分钟时间块 ──▶ 工作会话切分 │ 每5分钟增量归约 ──▶ 有证据门槛的记忆提炼 │ Point / Line（增量应用）──▶ Face / Volume / Root（慢速构建） │ HUMAN.md / MCP / 本地 viewer

几个关键设计思想：

• 先持久化，后应用：每轮记忆提炼先落盘审计记录，再做确定性应用，崩溃后可断点续跑，不重复消耗 LLM 调用；
• 快慢分层：Point/Line 每 5 分钟增量更新，Face/Volume/Root 每 30 分钟（或每天 00:15）才构建一次——高频细节与低频人格分开演进；
• 降级而非虚构：任何语义阶段失败都标记为degraded，模型保持可用，但绝不假装完整。

七、为什么重要：Same AI, Different You

这套模型最大的价值不在于"记住你"，而在于让同一个 AI 为不同人做出不同且正确的决策：

图中展示了 Persome 的核心理念：两个人给同一个 AI 模型相同的提示词"What should I work on next?"，却因为各自的 Personal Model 不同，得到完全不同的优先级——Cecilia 得到"先修复 onboarding 证明"，Alex 得到"先跑基准测试"。模型相同，被理解的人不同。

通过 MCP 协议接入后，编码智能体可以读取你的目标、优先级、工作模式和边界，自主找出未完成的本地工作并继续推进——而你始终保留对外部动作的最终决定权。

八、五分钟上手：先跑一个合成模型

想亲眼看看 Point → Root 的完整构建过程？Persome 提供了一个不触碰任何个人数据的合成交互演示：

git clone https://gitcode.com/gh_mirrors/pe/personal-model cd personal-model uv run python scripts/sample_demo.py

脚本会打开本地http://127.0.0.1:8743/model页面，展示一个包含 424 个 Point、146 条 Line、12 个 Face、4 个 Volume 和 1 个 Root 的完整合成模型，并按下Ctrl-C自动清理临时数据。演示脚本源码见 sample_demo.py。

如果你想用自己的真实数据构建模型，流程同样简短：

uv tool install personal-model persome onboard persome model open

安装完成后，persome model open会打开专属于你的个人模型视图——那一刻，你会第一次"看见"自己。

总结：一张图记住 Persome 的核心

Persome 把"被 AI 理解"变成了本地、可审计、可纠正的工程问题：证据留下凭条，推断留下门槛，人格只有一个 Root。这正是它口号的含义——Build your HUMAN.md，构建一个真正属于你的模型。🚀