全局感知引擎：统一跨信号智能

章鱼同时处理来自八条手臂的信息 — 每条手臂独立感知，但共同构建统一的环境模型。全局感知引擎赋予 OctopusOS 同样的能力：一个统一感知层，将所有信号类别整合为单一感知平面，支持跨信号关联、影响力追踪、内容传播分析和竞品定位。

1. 为什么需要统一感知

OctopusOS 已经拥有深层的子模块级感知：Self-Awareness 监控内部健康，Resource Governor 监视环境，ScreenOS 追踪工作空间活动，Internet Awareness 监控在线提及，执行层追踪人类反馈。但每个子模块都在各自的孤岛中运行。

关键的智能缺口是跨信号关联：当 CPU 飙升（环境）与负面提及激增（互联网）和任务失败率上升（人类反馈）同时发生时，每个子模块各自报告自己的异常 — 但没有人将这些点连接起来。

全局感知引擎（GAE）作为所有子模块的只读消费者，将它们的输出归一化为统一的 GlobalSignalEvent 模式，并执行任何单个子模块都无法实现的跨类别分析。

2. 五大感知类别

OctopusOS 宇宙中的每个信号都被归类为五个基本感知类别之一。这些类别直接映射到现有子模块，同时为跨信号推理提供统一词汇。

3. GlobalSignalEvent：统一感知模式

GAE 的核心是 GlobalSignalEvent — 一个冻结的、不可变的数据类，提供来自任何子模块的任何事件的统一视图。

@dataclass(frozen=True)
class GlobalSignalEvent:
    event_id:        str                  # 唯一标识
    category:        AwarenessCategory    # internal | environment | workspace | internet | human
    source_kind:     str                  # 来源子模块（self_awareness、resource_governor 等）
    ts_ms:           int                  # 毫秒时间戳
    summary:         str                  # 人类可读描述
    severity:        EventSeverity        # info | warning | critical
    payload:         dict[str, Any]       # 结构化事件数据
    signal_id:       str                  # 关联 SignalOS SignalEnvelope
    correlation_id:  str                  # 跨信号关联链
    metadata:        dict[str, Any]       # 可扩展元数据

设计原则：

• 类别优先 — 每个事件都标记五个类别之一，支持跨类别查询
• 严重性感知 — 从源数据自动推断严重性（如 CPU > 90% = critical）
• SignalOS 集成 — signal_id 关联到 SignalOS SignalEnvelope，支持完整因果追溯
• 子模块无关 — 归一化器负责从子模块特定格式的转换

4. 信号归一化管道

GAE 包含六个归一化器，将子模块输出转换为 GlobalSignalEvent 实例。每个归一化器都是无 IO 依赖的纯函数。

5. 影响力检测

影响力检测模块识别跨平台高影响力作者并监控其活动。这超越了简单的提及计数 — 它使用加权复合评分公式，考虑影响力的多个维度。

影响力评分公式

综合影响力评分（0-100）使用四个加权因素计算：

score = (
    0.25 × min(100, log2(1 + mentions) × 15)
  + 0.30 × min(100, log2(1 + engagement) × 10)
  + 0.15 × min(100, abs(sentiment) × 100)
  + 0.30 × min(100, platforms × 25)
)

影响力告警

当超过配置阈值（默认：50.0）的影响力用户发布新内容时，GAE 生成包含作者画像、触发提及和可读原因的 InfluencerAlert。这些告警作为高优先级 SignalEnvelope 消息发射到 SignalOS。

6. 内容传播图谱

内容不会停留在一个平台。一篇 Hacker News 帖子会被分享到 Reddit、被推文引用、在 GitHub 上被 fork。内容传播模块通过构建有向传播图来追踪内容如何跨平台传播。

三级匹配

传播指标

每个 MemeGraph 捕获：

• 起源 — 最早的提及，被识别为传播源
• 传播速度 — 每小时覆盖的平台数
• 总覆盖 — 所有节点的互动分数之和
• 平台数 — 内容传播到的独立平台数量

7. 竞品定位

竞品定位模块提供自动化的声量份额分析、情绪基准对比和趋势背离检测 — 这类竞争情报通常需要专用的市场调研工具。

声量份额（SOV）

对每个主题（品牌、产品、竞品），GAE 计算：

• 提及份额 — 该主题占总提及的百分比
• 互动份额 — 按平台互动分数加权
• 平均情绪 — 所有提及的平均情绪值
• 趋势方向 — 上升、稳定或下降

情绪差距分析

主题与每个竞品之间的情绪差距计算为简单差值：primary_sentiment - competitor_sentiment。正差距表示情绪优势；负差距信号竞争脆弱性。

趋势背离检测

当竞品的趋势方向与你的偏离时，GAE 生成标记警告：

8. 全局感知快照

感知快照是 GAE 的核心产出 — 一个周期性、全面的总结，关联五大类别的信号并生成可操作洞察。

跨信号异常检测

GAE 检测四类跨信号异常：

1. 环境 + 内部压力 — 资源压力与内部问题同时出现，暗示基础设施驱动的故障
2. 严重信号集中 — 窗口内大量 critical 级别事件表明正在发展的事件
3. 互联网飙升 — 互联网提及突然增加（窗口内 >10 条）可能表示病毒式传播或公关事件
4. 人类反馈失败 — 执行结果中失败率升高信号工作流问题

时序关联

事件按小时窗口分桶并分析共现。当多个类别同时飙升时，GAE 报告关联 — 例如：“Environment 和 Internal 事件在 3 个小时窗口内共现，暗示基础设施驱动的内部问题。“

9. SignalOS 集成

GAE 产生四种 SignalEnvelope 消息，直接注入 SignalOS 总线：

这种集成意味着 GAE 洞察流经 SignalOS 治理（风险评级、路由、回放），最终进入 Flywheel 学习循环 — 形成闭环智能循环。

10. 架构总览

层级放置规则

• L1（合约 + 端口） — kernel/contracts/global_awareness.py 和 kernel/ports/global_awareness/interfaces.py。纯类型定义和协议。
• L2（领域逻辑） — kernel/domains/global_awareness/。六个零 IO 的纯函数模块。
• L3（运行时） — kernel/runtime/_wl_global_awareness.py。Worker Loop Mixin 调度四个周期任务。
• L4（API + 仪表盘） — server/shared/adapters/http/_routes_global_awareness.py。REST API 和 HTML 仪表盘。

11. API 接口

GAE 暴露十二个 REST 端点：

12. 实现指标

13. 设计哲学

GAE 体现三个架构原则：

1. 只读消费。 GAE 从不修改现有子模块。它通过归一化器读取输出、跨类别关联、发射新信号 — 全部不对源子模块产生副作用。这确保添加 GAE 不会破坏任何现有功能。

2. 跨信号智能优于深度。 各子模块已经提供深层的领域特定分析。GAE 的价值在于子模块之间的连接：检测到资源压力飙升（环境）与提及情绪下降（互联网）和任务失败增加（人类）的关联。没有任何单个子模块能看到这种模式。

3. 渐进式增值。 GAE 分层构建智能：原始归一化、跨信号异常检测、竞品定位、可操作建议。每一层都可以独立运行，即使上层被禁用，每一层都能增加价值。

14. 应用场景

实时品牌情报

当 OctopusOS 的提及在 Hacker News 上病毒式传播（互联网类别），GAE 追踪传播到 Reddit、Twitter 和 GitHub。影响力检测模块识别哪些作者在推动对话，竞品定位模块展示这与竞品的提及模式相比如何 — 全部通过仪表盘实时更新。

事件关联

在生产事件期间，GAE 关联环境信号（CPU 飙升、磁盘压力）与内部信号（任务队列增长、学习率下降）和人类信号（失败率上升），构建统一的事件时间线。跨信号异常检测器在任何单个子模块升级之前就标记关联。

竞品预警

当竞品的提及速度突然增加而你的保持平稳时，GAE 的趋势背离检测器生成 WATCH 或 RISK 告警。这种预警 — 基于跨所有监控平台的声量份额分析 — 给团队争取到在竞争差距扩大之前做出响应的时间。

内容策略反馈循环

GAE 的内容传播图谱揭示哪些内容在跨平台引起共鸣、哪些仅在原平台传播。通过关联传播速度与影响力互动，引擎识别出哪些作者和平台是最有效的分发渠道 — 为内容策略提供可操作情报。