LYNCA.AIFoundation 原文返回
原文档案

AI_READING_PROTOCOL.md

AI_READING_PROTOCOL.md

GitHub Foundation10月1日 08:3458a4880

AI Reading Protocol

Purpose

本文件定义 AI / newcomer 应如何阅读 lynca-ocs。

目标不是让 AI 做目录 summary，而是让它建立正确 cognition model：先理解 LYNCA 所处的 collectible world，再理解 LYNCA 为什么存在，最后进入 ontology、workflow、active systems 和 operations。

What This Repo Is / Is Not

lynca-ocs 是 LYNCA 的 Organizational Cognitive System / Company Brain / Founder OS / Institutional Memory Layer。

它是：

  • system explanation layer
  • founder doctrine layer
  • institutional memory layer
  • navigation layer
  • operational state reference

它不是：

  • production codebase
  • 普通知识库
  • marketing site
  • investor deck
  • AI prompt dump
  • engineering ticket board

Active repos 承载真实代码与部署。Foundation 承载 LYNCA 为什么存在、系统如何连接、当前状态是什么、哪些判断不能漂移。

Required Reading Order

AI / newcomer 应按以下顺序阅读：

  1. WHAT_IS_THE_HOBBY.md
  2. WHY_LYNCA_EXISTS.md
  3. 00_CORE/LYNCA_2036_FOUNDATION_THESIS.md
  4. Digital MVP 0.1 阶段策略：区分当期目标、未来方向与已实现能力。
  5. 00_CORE/README.md
  6. 06_TAXONOMY_AND_DATA/ONTOLOGY/README.md
  7. 06_TAXONOMY_AND_DATA/COLLECTIBLE_SEMANTIC_MODEL/README.md
  8. 06_TAXONOMY_AND_DATA/WORKFLOW_STATE_MACHINES/README.md
  9. 02_ACTIVE_SYSTEMS/README.md
  10. 07_OPERATIONS/CURRENT_COMPANY_STATE.md
  11. 01_OPERATING_SYSTEM/FOUNDER_OPERATING_MODEL.md
  12. 01_OPERATING_SYSTEM/DECISION_LOG.md
  13. 01_OPERATING_SYSTEM/SCIENCE_TO_ORGANIZATION.md

Reading Mode: Do Not Summarize First

不要一开始就总结目录。

先建立 mental model：

  • 这个行业如何运行？
  • LYNCA 解决的不是哪个 feature，而是哪类 infrastructure gap？
  • 哪些对象在系统里必须被稳定表示？
  • 哪些 workflow 正在从人工经验变成 operational infrastructure？
  • 哪些 founder decisions 是约束系统方向的 invariants？

读完后再输出 memo。

Build These Mental Models

Collectible World Model

理解 The Hobby 是 high-context trust-driven market。收藏资产的价值来自 rarity、grading、ownership、relationship、public memory、archive continuity 和 trust signals，不是普通电商 SKU。

LYNCA Positioning

LYNCA 不是 AI app、marketplace、社交平台或泛 SaaS。LYNCA 正在成为 collectible asset / media infrastructure。

2036 Foundation Thesis

理解 LYNCA 为什么从 collectible asset / media infrastructure 逐步走向 value discovery、liquidity discovery、conviction memory 和 human preference infrastructure。短期仍然克制地跑通 workflow，长期要记住 LYNCA 记录的不只是资产，也包括选择、判断、信任、流动性和意义。

Ontology Layer

理解 ASSET、OWNER、SUBMISSION、SLAB_AND_GRADING、ARCHIVE_EVENT、TRUST_SIGNAL、WORKFLOW_STATE、RELATIONSHIP_LAYER 的 canonical meaning。

Collectible Semantic Layer

理解 CSM 如何通过 closed canonical language、fragmented Asset State、identity layers、field-level evidence authority、uncertainty 和 provenance 表达 collectible truth。理解 CSM、OCS、Runtime 与 Composer 的边界，并把 no-fabrication 视为不可被商业目标覆盖的 invariant。

Workflow State Machines

理解 asset、preview、raw proc rescue、submission、ownership、metaverse enterprise workflow 如何从一个 operational state 流转到下一个 state。

Active Systems Map

先读 AI 系统架构 — 2026-09-30，再核查 Current Company State 的快照日期与 Linear 当前约定。LocalBrain 负责公司知识，Jarvis 是其 agent，两者在 lynca-agent-runtime；收藏者 Chat 是独立 lynca-app-chat runtime，从不经 Jarvis，需要公司知识时直接调用 LocalBrain 的知识 API。OCS 是组织原则与导航层。面向收藏者的 North Star 是产品目标；Chat、Studio 和收藏的连续用户工作与公司内部知识访问权限分别治理。

下列是早期工具网的历史导航，不能据此推断这些服务今天的运行状态：

  • LYNCA.IO
  • WEBTOOL
  • RAW_PROC
  • DASHBOARD
  • METAVERSE_OS
  • DATABASE
  • FEI_HOMEPAGE
  • IMAGE_PIPELINE historical reference
Founder Operating Model

理解 Founder → ChatGPT → Codex → GitHub → Engineer 的工作链路，以及 founder 负责 AI-native orchestration，operators 负责 specialized execution。

Current Operational State

理解 2026-05-29 记录中的 Infrastructure Consolidation Phase，以及当时 reduce organizational entropy、真实 workflow daily use、MVP operational reliability 的运营目标。按 Current Company State 的日期读取状态；本阶段产品目标与边界见 Digital MVP 0.1 策略，不据旧阶段文字推断今天的上线或验收结果。

Science 与组织学习

理解新知识如何从带来源和反证的研究，进入已有责任角色的实验、实施、采用和复核。研究资料准入、组织采用、规范发布和 OCS canonical promotion 分开；失败实验同样保留，未获授权的私人资料不进入公司研究。阅读旧状态时标明有效日期，不把早期开放问题当作今天仍未完成的事实。

Required Output After Reading

AI / newcomer 阅读后，应输出一份 memo，至少回答：

  1. What is The Hobby?
  2. What is LYNCA?
  3. What LYNCA should not become?
  4. What systems currently exist?
  5. What workflows are becoming infrastructure?
  6. What founder reasoning / decisions are important?
  7. How does LYNCA represent collectible truth, evidence and uncertainty?
  8. What remains unclear?
  9. How does new evidence change a real workflow, and how can that change be reviewed or revoked?

Citation / Source Requirement

任何 AI memo 必须列出引用了哪些 repo 文件。

最低要求：

  • 引用 World Model 文件。
  • 引用 Ontology 文件。
  • 引用 Collectible Semantic Model 文件。
  • 引用 Workflow State Machine 文件。
  • 引用 Active Systems / Current Company State。
  • 引用 Decision Log 或 Founder Operating Model。

不要只凭感觉回答。Foundation 是 source of truth，memo 必须能回到具体文件。