认知数据管线 · 数据流时序图

把「AI 对话 → 决策卡 → 各端」这条心脏放大成泳道时序：一句对话如何变成可评价的成长证据，再逐级流到老师、家长、伙伴、总部。时间自上而下，箭头表方向。

学生 · 创作台
AI 对话
抽取服务
Skill / LLM
数据层
认知轨迹
老师 · 评价
教学台
消费端
家长/伙伴/总部

创作

连贯对话创作

孩子和小宇一个对话从头到尾（六环暗线，不切关卡）

抽取 · 沉淀

抽取关键判断

每个关键决定 → 抽出「环 / 类型 / 为什么」（Skill/模板回灌上下文）

decision.source = auto

写入 + 追加轨迹

写 decision 表 → 追加到该学生的认知轨迹（只追加不改）

INSERT decision

派生更新

ability_profile 按环聚合；证据够则 growth_level 升级

rebuild 派生视图

评价

老师读证据

班级看板 / 学生认知轨迹 → 点评、苏格拉底追问

按 org 隔离查询

一键生成报告

growth_report（含 decision/level 快照）

gen growth_report

消费 · 聚合

推送家长

成长快报 + 认知翻译成「六种能力」+ 老师评语

deliver → parent

逐级聚合

活跃/成长度 → 校区盘（伙伴）· 全网认知大盘（总部），匿名聚合

rollup（校区/全网）

回流

作品发布 → 反馈回流

作品发布造物星球（玩过/点赞/影响）→ 真实反馈回流到「回应」环 → 触发新一轮决策，管线再转一圈

↺ 闭环

学生/创作台

抽取服务

数据层/轨迹

老师/评价

消费端

三条不变量

对话是入口，决策是产物

对话本身不落库为主产品；只有从对话里抽出的"判断"（decision）才是主产品。这是对抗"认知蒸发"的机制。

派生皆可重算

能力画像 / 成长等级 / 各端大盘都由 decision 聚合而来，可随时重算，永不成为第二真源。

同一份数据，五个海拔

学生生成、老师评价、家长骄傲、伙伴聚合、总部治理——一条 decision 流，喂五端不同视图，按 org 隔离。

闭环靠回流

作品发布 → 真实反馈 → 回「回应」环 → 新决策。管线是环形的，每转一圈，认知资产更厚、迁移壁垒更高。

实现提示：第 2 步"抽取"可先用 Skill/提示词模板 + 结构化输出（claude-opus-4-8）离线/异步跑；第 4/8 步派生与聚合走物化视图或定时/事件重算，读多写少。见「ER 与 Schema 草案」。