核心用法
DMN（Default Mode Network）是一个高度工程化的AI自主思考框架，模拟人类大脑的默认模式网络——即在"离线状态"下的后台整合与创造力激发。系统通过外部触发器（cron或手动）启动，根据距上次产出的时间自动进入两种情形：超过2小时执行完整DMN流程（情形A），2小时内则追加深化已有思考线程（情形B）。
核心机制包括：
- Thread File机制：同一主题的持续思考在同一文件中无限轮次深化，支持跨天续接
- 五大功能模块：自我叙事、创造力暗室（结构化跨域碰撞）、社会认知、意义生成、CEO思维模拟（九位顶级思想家轮询）
- TPN门控机制：检测反刍循环（重复洞见）和执行断裂，自动切换为行动导向模式
- 不遗忘三层保障：晨间简报→memory写入、pendingActions追踪、Session Synthesis资产清单
显著优点
1. 系统性的反反刍设计：通过"No Rumination"铁律、TPN门控、质量自评（⭐⭐⭐分级）三重机制，强制终止无效循环
2. 结构化而非随机化的创意：创造力暗室要求用Koestler三问检验跨界连接质量，必须回答"So What"
3. 执行闭环完整：从思考到Action Card到pendingActions追踪，避免"想得多做得少"
4. 透明化与可审计：触发日志、来源标注（📚/🧠/💡/🔄）、48小时CEO防重等机制确保可追溯
5. 开放架构：AGPL-3.0开源，schema清晰，支持外部锚点问题注入
潜在缺点与局限性
1. 依赖高质量输入：跨域碰撞效果受限于既有笔记库的广度和深度，新用户初期可能"无米下锅"
2. 维护成本不低：需要持续维护dmn-state.json、三大目标索引、memory目录等基础设施
3. "昀峤"专属烙印：大量机制（如身份保护规则、用户画像分析）嵌入特定人名，通用化需改造
4. 衰减窗口的刚性：4小时强制冷却可能打断有价值的深度思考流
5. TPN门控的误判风险：新颖性判断依赖AI自身，可能误杀 genuinely subtle 的递进
适合人群
- 知识工作者、创作者、一人公司运营者，已有一定笔记积累（推荐配合Zettelkasten或PARA方法）
- 对AI Agent有工程化需求、愿意投入时间维护基础设施的进阶用户
- 需要"离线时AI继续工作"场景的用户（如跨时区协作、睡眠中的后台整合）
常规风险
- 幻觉与自我强化：AI在无监督漫游中可能生成看似合理但脱离现实的"洞见"
- 行动项膨胀：pendingActions机制若缺乏人工清理，可能累积大量 abandoned 项目
- 隐私与数据安全：memory/*.md 和 dmn-state.json 包含长期行为模式，需妥善保管
- 过度拟人化陷阱："大脑模拟"框架可能让用户对AI能力产生不切实际的期待
技术成熟度
v3.1.0经过多轮迭代，Thread机制、TPN门控、不遗忘三层保障等核心模块已较为完整。但作为"合成神经生物学框架"的实验性项目，建议作为辅助思考工具而非决策依据。