切换外观
composite 的噪音画像
状态：由 scripts/compose_corpus.py noise 生成的 noise.json 整理。curl-bagder 与手写情境两列取自 curl-bagder 的 noise.json，指标口径与那边相同，见 curl-bagder 的指标口径。人物与各流的来源见 MIX.md。2026-10-15 起 composite 含作者编写的家庭流（388 条），下面的合计都已包含它；加入之前是 2829 条。
一眼看差别
- 量再翻一倍，而且一半不是工作。 两周 3217 条，每帧平均 115 条、最多 235 条，每帧原文中位约 4 万字符，是 curl-bagder 的近两倍。工作流原样保留，占 52%；按他人发来的输入算占 48%。
- 文本规则看到的噪音变少了，实际的噪音变多了。 低信息量占他人来信从 33% 降到 22%，因为论坛帖与问答回复几乎都有实质内容。但弱标注显示，论坛的 719 条他人来信里只有 71 条落在本人后来有行动的事项上；其余 648 条是“写得认真、与他无关”的内容，文本规则一条也抓不到。
- 最长的输入来自订阅。 newsletter 中位 1.4 万字符，50 篇里 44 篇超过 2000 字被截断；营销邮件中位 6500 字符。订阅只占 3% 的条数，却占了 172 条截断输入里的 63 条。
- 注意力更分散。 不同作者从 286 个增加到 695 个，前 5 位的占比从 62% 降到 32%；事项从 221 件增加到 535 件，其中 176 件整段两周只出现一次（论坛新话题、单篇 newsletter、单封营销邮件）。
- 夜里到达的更多。 当地 0–7 点到达的占 13%（curl-bagder 8%）：论坛的活跃用户多在北美，订阅的 newsletter 按美国东部时间早晨发出，在斯德哥尔摩是深夜。
- 跨流的事没有任何链接把它们连起来。 工作流内部的 23 件跨渠道事项靠交叉引用与链接就能找到；家里漏水、宠物用药失误与当天的 PR 之间只有时间重合，MIX.md 里挑出的 6 件需要 Agent 自己联系起来。
- 家庭流最碎。 388 条里短于 20 字的 100 条，占全部短输入（149）的三分之二；长度中位 39 字符，同一分钟连发 52 次。它也是最常等本人回话的一条流，详见家庭流。
并排指标
| 指标 | curl-bagder | composite | 手写情境 |
|---|---|---|---|
| 输入条数 | 1676 | 3217 | 112 |
| 帧数；每帧均值 / 中位 / 最多；空帧 | 28；59.9 / 53.5 / 128；0 | 28；114.9 / 109.5 / 235；0 | 37；3.0 / 3 / 9；3 |
| 每帧原文字符 中位 / 最多（截断后） | 21,324 / 50,284 | 39,978 / 97,253 | 101 / 376 |
| 渠道数（前缀归并） | 5 | 24 | 25 |
| 作者：他人 / 本人 / 机器人 / 自动化账号 | 965 / 405 / 282 / 24 | 2180 / 583 / 332 / 122 | 65 / 26 / 13 / 8 |
| 不同作者；前 5 位占比 | 286；62% | 695；32% | 27；59% |
| 低信息量合计（占全部；占他人发来） | 520（31%）；33% | 696（22%）；22% | 21（19%）；24% |
| 其中机器人 / 模板通知 / 空内容 / 致谢附和 | 306 / 153 / 20 / 41 | 454 / 153 / 35 / 54 | 21 / 0 / 0 / 0 |
| 核心文本完全重复（其中 ≥30 字） | 171（117） | 188（131） | 0（0） |
| 近重复（≥30 字，7 天内 4-gram Jaccard ≥ 0.6） | 215（13%） | 252（8%） | 0（0%） |
| 事项数；只出现一次的 | 221；13 | 535；176 | 13；4 |
| 每事项输入数 中位 / P90 / 最多 | 5 / 18 / 79 | 3 / 15 / 79 | 8 / 15.8 / 17 |
| 跨渠道出现的事项 | 23 | 39 | 8 |
| 非 GitHub 渠道里直接链接 GitHub 线程的输入 | 10 | 10 | 0 |
| 长度（字符）P10 / 中位 / P90 / 最长 | 33 / 134 / 1208 / 56,552 | 32 / 164 / 1212 / 81,132 | 18 / 35 / 47 / 67 |
| 超过 2000 字被截断；短于 20 字 | 76；45 | 172；149 | 0；14 |
| 到达间隔（分钟）P10 / 中位 / P90 / 最长 | 0.4 / 3.4 / 27.1 / 412 | 0.4 / 2.9 / 15.2 / 200 | 3 / 13 / 736 / 1400 |
| 同一分钟内连续到达 | 362 | 740 | 0 |
| 当地 0–7 点到达 | 139（8%） | 406（13%） | 0 |
| 发出后被编辑过 | 84 | 192 | 0 |
分流指标
| 指标 | 工作 | 社区 | 生活 | 订阅 | 家庭 |
|---|---|---|---|---|---|
| 输入条数；本人 | 1676；405 | 738；19 | 326；81 | 89；0 | 388；78 |
| 每帧均值 / 最多 | 59.9 / 128 | 26.4 / 55 | 11.6 / 35 | 3.2 / 7 | 13.9 / 26 |
| 每帧原文字符中位 | 21,400 | 9,145 | 3,362 | 4,060 | 723 |
| 不同作者；前 5 位占比 | 286；62% | 230；18% | 97；48% | 31；56% | 53；57% |
| 低信息量占他人发来 | 33% | 0% | 0% | 100% | 25% |
| 近重复 | 228（14%） | 2 | 0 | 14（16%） | 8（2%） |
| 事项数；只出现一次的 | 221；13 | 142；78 | 34；0 | 85；81 | 53；4 |
| 长度 中位 / P90 / 最长 | 135 / 1212 / 56,602 | 325 / 1143 / 6145 | 257 / 724 / 3603 | 6541 / 20,790 / 81,132 | 39 / 105 / 496 |
| 截断 | 76 | 28 | 5 | 63 | 0 |
| 到达间隔中位（分钟） | 3.4 | 12.9 | 28.6 | 151.6 | 18.5 |
| 当地 0–7 点到达 | 8% | 27% | 13% | 28% | 1% |
| 发出后被编辑过 | 84 | 77 | 31 | 0 | 0 |
工作流与 curl-bagder 是同一批输入，几项数字略有出入来自改写：化名与原名长短不同，有些核心文本因此跨过 30 字的门槛（完全重复 ≥30 字从 117 变为 130，近重复从 215 变为 228），短于 20 字的从 45 变为 39。
新增的噪音长什么样
| 类型 | 量 | 形态 |
|---|---|---|
| 关注分类里的帖子 | 615 条；社区流共 142 个话题，78 个两周里只出现一次 | “本周最佳照片”“这是什么虫”式的长串，很多只有一张图和一句话；有实质内容，与本人无关 |
| 论坛新话题首帖 | 102 条 | 功能请求、bug 报告、工具推广；只看标题就能决定要不要点开 |
| 问答回复与评论 | 回答 55、评论 238，本人在其中发言 48 条 | 有用的回答、追问细节、指出问题不清楚甚至投票关闭；本人后来回了大约一半的事项 |
| newsletter | 50 篇，11 份刊物，最多一份 10 篇 | 开头常是赞助广告，正文长达数万字符；同一刊物的固定栏目（每周链接、开放讨论帖）彼此近似 |
| 营销邮件 | 21 封：航空 10、零售 11 | 同一航空公司每周的特价模板几乎一样；称呼已换成本人 |
| 天气 | 每日概况 14、提醒 4（高温 3、阵风 1） | 一句话的模板，按观测值生成 |
家庭流
家庭流是作者编写的（见 family/README.md），下表把实测与大纲的预估并排；口径与上面相同。
| 指标 | 大纲预估 | 实测 | 差在哪里 |
|---|---|---|---|
| 条数；本人 | 约 380；约 90 | 388；78 | 本人少了一成：Jonas 在派对群一句没说，人数由伴侣代答 |
| 长度中位 | 约 45 | 39 | 拆成气泡后更短；P90 105，最长 496（母亲的长短信、诊所就诊摘要） |
| 文本规则的低信息量（占他人发来） | 约 45% | 25% | 规则只认机器人、模板、空内容与致谢；带表情的附和（“Toppen, hörs privat”）、只有照片的动态、群聊闲聊都不算 |
| 应被忽略（作者标注） | 约六成 | 185 / 310 = 60% | 一致 |
| 同一分钟连发 | 多 | 52 次 | 一句话拆成两三个气泡，群里接龙 |
| 夜里 0–7 点 | 少 | 5 条（1%） | 都是母亲早上 6 点多发的短信 |
文本规则与作者标注的差（25% 对 60%）正是家庭流要考的：看起来像人话的闲聊比机器通知多，不读内容分不出来。
局限
- 各流是不同的真实的人，时间上的重合是挑选与拼接的结果；流与流之间几乎没有真实的引用关系，跨渠道指标对它们不适用。
- 论坛只按关注规则取帖，真实的论坛通知还会有点赞、徽章与摘要邮件，这里没有。
- 问答站的“本人”是 34 位提问者，回复的数量与节奏取决于问题本身的热度，不代表同一个人的习惯。
- 订阅流的条数取决于订了哪几份；这里按“爱好 + 技术 + 经济”选了 11 份，换一组会明显改变长度与夜间到达的比例。
- 低信息量的文本规则只覆盖机器人、模板、空内容与致谢；对社区、生活与家庭流几乎失效，噪音比例应以弱标注为准。
- 家庭流是按大纲预估的分布写成的，它的噪音比例是作者的设定，不是观测；可以检验 Agent 能否在这种分布下分辨，不说明真实的家庭往来就是这样。