核心用法
Core Refinery 是一项知识提炼技能，专为需要从多来源材料中提取跨源共识核心理论的用户设计。用户需提供3个或以上的独立来源（如书籍摘录、文章、笔记等），系统通过四步精炼流程：收集全部原则→寻找跨源线索→检验语义一致性→按出现频次分类（N=1噪声/N=2领域特定/N≥3不变量），最终输出 Golden Master 候选原则。
关键输出包括：不变量原则（出现在3+来源中的核心观点）、领域特定原则（仅2个来源支持的局部规律）、合成指标（压缩率、原则分布）。当某原则在4个来源中全部出现时，系统标记为"高置信度 Golden Master 候选"。
显著优点
- 量化共识强度：独创 N-Count 系统（N≥3为不变量）将模糊的多源比较转化为可追踪的统计指标
- 降低知识噪音：典型压缩率达70%+，有效过滤单一来源的片面观点
- 可溯源架构：每个输出原则标注来源哈希，支持用 golden-master 技能后续追踪漂移
- 双模式输出：提供简洁版（本技能）与技术正式版（principle-synthesizer），适应不同场景
潜在局限
- 来源质量依赖：无法判断来源本身的正确性，3个错误来源可达成虚假共识
- 语义匹配门槛：依赖"意义一致"的判断，跨文化/跨时代表达的微妙差异可能被误判
- 领域隔离限制：明确拒绝混合不相关领域（如烹饪+编程），降低了跨学科创新的可能性
- 黄金母版非真理：系统反复强调候选地位≠验证真理，用户仍需独立判断
适合人群
- 研究人员整理多文献综述
- 知识管理者构建组织内部"单一事实来源"
- 内容创作者提炼跨书籍/跨课程的核心框架
- 需要为团队建立可引用权威文档的技术写作者
常规风险
- 虚假共识风险：系统仅检测一致性，不验证正确性
- 来源污染风险：若提供的"独立来源"实际存在引用关系，N-Count 会失去统计意义
- 过度简化风险：高压缩率可能丢失有价值的边缘观点
- 确认偏误强化：用户可能选择性关注 N≥3 结果，忽视重要但小众的洞察
> 安全提示：本报告未执行实际安全扫描，security_level 为系统占位评估。