PBE Extractor

核心用法

PBE Extractor 采用原则式蒸馏（Principle-Based Distillation）方法，从文档、方法论、哲学论述或代码注释中提取"不变原则"——即能够经受重新表述而不损失含义的核心思想。

使用流程三步走：
1. Bootstrap（启动）：无偏见阅读源材料
2. Learn（学习）：识别模式，测试不变性
3. Enforce（强化）：通过"重新表述测试"验证——原则能用完全不同的词汇表达，且含义完全一致

关键输出：结构化 JSON 报告，包含原始表述、归一化形式（用于语义匹配）、置信度等级（high/medium/low）、压缩比率，以及明确的 N 计数（来源验证次数）。

归一化规则特别值得一提：将"I always tell the truth"转化为"Values truthfulness in communication"，实现跨文本的原则比对。

显著优点

• 方法论严谨：明确区分"模式提取"与"真理验证"，避免将结构化假设当作事实
• 可验证性设计：强制 N≥2 验证路径（通过 principle-comparator），单来源标记为 observation
• 语义压缩量化：79% 压缩比等硬指标，让"理解程度"可测量
• 诚实的不确定性：三级置信度语言，low 级明确标注"may imply"
• 生态完备：与 comparator、synthesizer、golden-master 形成验证链条

潜在缺点与局限性

• 冷启动问题：N=1 阶段无法验证正确性，用户可能误将模式当真理
• 文本依赖：200 词以下效果骤降，高度结构化内容（如代码）提取困难
• 归一化风险：抽象过程可能丢失语境，虽提供"drift"标记但需人工复核
• 压缩悖论：>85% 压缩比需警惕信息损失，但系统无法自动判定"何为本质"
• 领域局限：对高度语境化原则（如"周五不发布"）归一化失败

适合人群

• 技术写作者、文档工程师（方法论结构化）
• 研究者、分析师（跨文本模式发现）
• 知识管理实践者（构建可复用的原则库）
• 需要"压缩即理解"验证的学习者

常规风险

• 确认偏误放大：用户可能选择性采信 high-confidence 结果，忽视 validation 警告
• 术语污染：输出中的"principle"一词可能被误解为"正确"，需严格配套免责声明
• 归一化漂移：抽象过程引入的语义偏移难以完全消除
• 链条断裂风险：若用户跳过 comparator/synthesizer 步骤，N=1 观察被误用

核心用法

PBE Extractor 是一套结构化的文本分析方法论，专为从大量内容中提取不变原则（invariant principles）而设计。其核心流程遵循 Bootstrap → Learn → Enforce 三阶段：首先无偏见地阅读源材料，然后识别可经受改写测试的模式，最后通过显式的置信度评估验证提取质量。

用户只需提供 200-3000 字的文本内容（支持文档、方法论、哲学论述、代码注释等），并可选择性地指定领域上下文和目标压缩级别。系统将自动分析内容结构、识别原则簇、执行语义归一化，并输出带有置信度标注的结构化原则清单，压缩率通常可达 50-85%。

显著优点

方法论严谨性：采用学术级的 "改写测试（Rephrasing Test）" 作为原则有效性判定标准——真正的原则应当能用完全不同的词汇表达而意义不变，这一设计有效区分了本质洞见与表面关键词。

结构化输出：提供完整的 JSON Schema 输出，包含原则陈述、归一化形式、置信等级（high/medium/low）、来源证据、语义标记等元数据，便于下游系统集成和审计追踪。

语义归一化创新：独创的归一化规则（Actor-agnostic、Imperative structure、Abstract over specific）使跨文本的原则比对成为可能，为后续使用 principle-comparator 进行 N≥2 验证奠定基础。

可解释性设计：明确的置信度分级和免责声明机制，诚实地标注每个原则的证据强度（N=1 单源观察），避免将模式误认为真理。

潜在局限

输入门槛：明确建议 200+ 字才能获得最佳效果，短文本（<50 字）可能无法提取多个原则。

验证依赖：当前版本仅实现单源提取（N=1），所有原则的有效性需依赖外部工具（principle-comparator/principle-synthesizer）进行交叉验证，无法独立完成真理判定。

领域适配：高度依赖用户的可选领域上下文输入，缺乏领域知识库时，语义标记的准确性可能下降。

压缩风险：>85% 的极端压缩率需人工复核，高压缩可能丢失细微差别。

适合人群

• 知识管理工作者：需要从大量文档、会议记录、研究材料中提取可复用的方法论原则
• 内容创作者：寻求对现有内容进行语义压缩、提炼核心论点的写作者
• 产品经理/咨询师：需要快速消化行业报告、方法论文档并转化为结构化洞察
• 研究人员：进行文献综述时识别跨来源的共识原则（需配合比较工具使用）

使用风险

认知风险：系统明确警示 "提取的是 PATTERN，不是 truth"，用户可能误将高置信度标注理解为事实正确性，忽视 N≥2 验证要求。

依赖链风险：完整的验证工作流依赖配套的 principle-comparator 和 principle-synthesizer 技能，若这些技能未安装或版本不兼容，提取的原则将停留在未验证状态。

归一化漂移：虽然系统设置了 "drift" 状态标记，但自动归一化过程仍可能微妙地改变原意，关键业务场景建议人工复核 requires_review.md 文件。

性能边界：大规模文档（接近上下文窗口上限）可能影响分析深度，超长文本建议分段处理。