定义
Company Brain 不是数据库或知识库产品的名字，而是一种组织设计原则：把公司的一切（策略、会议记录、决策、产出、客户信号）转化为 Agent 可读、可搜索、可写回的 folder + markdown 结构，让 Agent 拥有对组织的 20/20 视野。
Capture → Curate → Store → Execute → Experience 循环
| 阶段 | 职责 | 实现方式 |
|---|---|---|
| Capture | 从 Slack/会议/邮件/Linear 收集信息 | Cron job 每小时运行 |
| Curate | 像图书馆员一样决定什么该留、什么该忽略、什么该触发行动 | Agent 审查 + 规则过滤 |
| Store | 存入 Brain（folder 树 + markdown 文件） | Agent 可搜索、检索、写回 |
| Execute | Agent 利用 context 执行工作（skill chains、prototypes） | 基于 context 的个性化产出 |
| Experience | 客户体验 → 信号回流（买更多？流失更快？） | 市场反馈回流进系统 |
Traces / Exhaust（决策痕迹）
执行过程中产生的决策、探索和中间产物是"cutting room floor"素材，必须回流进 Brain：
- 为什么做了这个决策
- 探索了哪些替代方案
- 哪些 skill 被触发了、为什么
- 客户反馈的原始信号
这些不是"文件坟墓中无人查看的文档"，而是可复用知识。Brain 将这些 traces 转化为 lessons、artifacts 和更新后的 skills。
关键约束: 不能让 Agent 的未审核产出直接回流进 Capture。必须经过人类判断（Experience 层），确保只有"好"的 context 进入系统。
跨域印证（07-29）：LangChain 数据栈的 endorsement 治理（20260727-langchain-agent-data-stack）是同一约束在数据域的实例——只有数据团队可标记 trusted 资产、endorsed 资产变更需评审，且"if everything is endorsed, the signal stops being useful"（信任信号与上下文注意力同为零和资源，通胀即失效）。两源独立收敛于同一回流纪律：可信 context 必须经人类守门，且守门信号本身必须稀缺。
关键数据点
- LCA (Late Checkout Agency) 的 Brain 支撑提案 skill chain：从过去会议记录中提取个人化时刻（如 Maya 的唱片店隐喻），几分钟内生成品牌化提案微站
- "20/20 Vision": Agent 拥有对组织的完美视野——不需要发 14 条消息或等几天才能回答"谁两周前入职了"
- Context bootstrapping: 对新项目，通过 Mobbin MCP（设计模式库）+ 外部设计系统 + 自建 skills 快速建立初始 context
- Brain 是 folder 树结构，不是向量数据库——markdown 文件可被人直接阅读和编辑
与其他知识系统的区别
| 维度 | Company Brain | LLM Wiki | 向量数据库 |
|---|---|---|---|
| 结构 | Folder 树 + Markdown | Entity/Topic/Comparison | Embedding 向量 |
| 可读性 | 人 + Agent 双可读 | Agent-first | Agent-only |
| 写入者 | 人 + Agent | Agent（人审查） | 自动索引 |
| 回流机制 | Experience 层过滤 | 回填检查 | 无 |
| 目的 | 组织 20/20 视野 | 知识编译和复用 | 语义检索 |
前提与局限性
- 质量衰减风险: 随着信息累积，curator 如何防止 context 腐烂？这与 Context-Rot 问题同构
- 捕获覆盖度: 如果关键对话发生在 Brain 未覆盖的渠道（如微信、电话），context 会有盲区
- Curator 质量: 如果 curator 过于激进地过滤，可能丢失有价值的弱信号
- 安全与权限: Brain 包含敏感信息（客户数据、内部策略），需要精细的访问控制
- 冷启动成本: 从零搭建 Brain 需要大量前期投入（连接工具、定义 schema、训练 curator）
- 不是向量数据库: Folder + markdown 结构不支持语义搜索，检索依赖 Agent 的搜索能力
关联概念
- Context-Engineering — Company Brain 是 Context Engineering 在组织层面的应用
- Knowledge-Compilation — Brain 的 Store 阶段本质上是持续的知识编译
- Progressive-Disclosure — Agent 按需检索 Brain 中的信息，不一次性加载
- LLM-Wiki — Wiki 是 Brain 的一种实现形式，但 Brain 更强调组织级覆盖面
- Skill-Chains — Skill chain 的产出质量直接依赖 Brain 的丰富度
- AI-Native-Engineering-Org — Company Brain 是 AI Native Org 三层架构的基础层