核心定位
brain v1.1.5 是一套面向AI Agent的记忆增强系统，目标解决三大行业痛点：子agent迭代失控、感知可信度不明、会话上下文断层。
核心用法
系统采用分层记忆架构：SNAPSHOT.md（快速快照）+ MEMORY.md（精华索引）+ 每日日志/工作缓冲区，配合三个自动化脚本实现核心功能：
1. 子agent动态预算（subagent-budget.js）：按任务复杂度分配迭代次数——简单任务10次（lite模型）、中等30次（pro模型）、复杂任务无上限（高配+看门狗兜底）
2. 感知置信度系统（感知日志v2）：每次感知标注置信度百分比，支持事后验证校准，通过「初始70%→验证通过+10%/失败-30%」的机制逐步收敛准确率
3. 会话注入（build-session-injection.js）：启动时动态组装「当前上下文+用户画像+进行中任务+待办+最近结论」，替代静态文件堆砌
4. Agentic Loop：Generator-Evaluator分离设计，输出需经准确性/完整性/安全性三维度评估，自评分≥阈值方可交付
显著优点
- 成本可控：相比hermes固定50次迭代，动态预算实现"该省省该花花"
- 可信度可量化：感知层带置信度与验证闭环，超越同类系统的"黑箱猜测"
- 上下文精准：会话注入动态组装，避免"把一堆文件塞给模型"的低效模式
- 自我进化：Agentic Loop形成生成-评估-校准的反馈闭环
潜在局限
- 维护复杂度：多文件结构+脚本依赖，对非技术用户门槛较高
- 置信度校准周期：新感知类型需5次验证才能趋于稳定，冷启动期存在波动
- 脚本生态依赖：核心功能绑定Node.js环境，跨平台移植需额外工作
- 与hermes对比声明未经验证：文档中多次出现的"超越hermes"为作者自述，缺乏第三方基准测试
适合人群
- 需要长期记忆能力的AI Agent开发者
- 对子agent调用成本敏感的生产环境
- 希望追踪AI"情绪感知"准确率的场景（如陪伴型Agent）
常规风险
| 风险点 | 说明 |
|--------|------|
| 过度自信偏差 | 置信度机制可能让用户误判系统可靠性 |
| 注入内容膨胀 | 动态组装的上下文若未加长度限制，可能超出模型窗口 |
| 脚本执行安全 | `subagent-budget.js`等脚本若接收用户输入需防注入攻击 |
| 数据持久化 | 日志文件未提及加密或访问控制，敏感场景需额外加固 |