diff --git a/CLAUDE.md b/CLAUDE.md
index c25469b..9d3b8a2 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -372,7 +372,7 @@ python -m unittest discover -s tests           # 必须全绿
 **WGMM 纯算法层（`wgmm_monitor/wgmm/`）**
 - `scheduler.decide_next_frequency()`: WGMM 调频决策主函数
 - `scheduler.scan_future_peak()`: 未来 15 天峰值扫描
-- `scoring.calculate_point_score()` / `batch_calculate_scores()`: 单点 / 批量发布概率得分
+- `scoring.calculate_point_score()` / `batch_calculate_scores()`: 单点 / 批量发布概率得分（周期得分 × 条件间隔得分几何均值 − 负向惩罚）
 - `features.vectorized_time_features_numpy()`: 周期性时间特征提取
 - `features.get_raw_time_components()`: 离散时间维度（用于权重学习）
 - `learning.aggregate_publish_events()`: 把视频粒度时间戳折成 UP 主行为粒度（正向数据用，默认 600 秒阈值）
@@ -386,7 +386,7 @@ python -m unittest discover -s tests           # 必须全绿
 
 **业务服务层（`wgmm_monitor/services/`）**
 - `MonitorService.run_monitor()`: 主监控循环（三层检测 + 通知 + 调频）
-- `BilibiliService.check_potential_new_parts()`: 第一层 - 分片预检查
+- `BilibiliService.check_potential_new_parts(memory_urls, known_urls)`: 第一层 - 分片预检查；合并 Gist 状态与本地状态确定最高已知分片，避免 Gist 滞后导致重复探测
 - `BilibiliService.quick_precheck()`: 第二层 - 快速ID检查
 - `BilibiliService.fetch_video_list()` + `get_all_videos_parallel()`: 第三层 - 完整深度检查
 - `FrequencyService.adjust_check_frequency()`: 加载历史 → 过滤异常 → 剪枝 → 调用 scheduler
@@ -409,7 +409,7 @@ python -m unittest discover -s tests           # 必须全绿
 ```
 MonitorService.run_monitor()
 ├── sync_urls_from_gist()                    # 从 GitHub Gist 同步已备份 URL
-├── BilibiliService.check_potential_new_parts()  # 第一层：分片预检查
+├── BilibiliService.check_potential_new_parts(memory_urls, known_urls)  # 第一层：分片预检查（合并本地与Gist状态）
 ├── BilibiliService.quick_precheck()         # 第二层：快速 ID 检查
 │   └── 任一层有变化 → 触发完整检查
 ├── BilibiliService.fetch_video_list()       # 第三层：完整深度扫描
@@ -434,7 +434,7 @@ FrequencyService.adjust_check_frequency()
     ├── learning.sync_discovered_periods()   # 稳定 custom_N 索引
     ├── learning.learn_dimension_weights()   # 学习维度权重（含 custom_N）
     ├── learning.learn_adaptive_sigmas()     # 学习时间容忍度（含 custom_N）
-    ├── scoring.calculate_point_score()      # 当前时刻发布概率
+    ├── scoring.calculate_point_score()      # 当前时刻发布概率（周期得分与条件间隔得分几何均值）
     ├── scheduler.scan_future_peak()         # 扫描未来 15 天找峰值
     └── 映射得分 → 检查间隔 → FrequencyDecision
 ```
diff --git a/docs/code-reference.md b/docs/code-reference.md
index 4506605..de10560 100644
--- a/docs/code-reference.md
+++ b/docs/code-reference.md
@@ -175,7 +175,7 @@ python monitor.py --wgmm-core-only
 
 `BilibiliService` 封装 B站相关业务：
 
-- `check_potential_new_parts()`：第一层，多分片预检查。
+- `check_potential_new_parts(memory_urls, known_urls)`：第一层，多分片预检查。合并 `memory_urls`（Gist 状态）与 `known_urls`（本地状态）确定当前最高已知分片编号，再探测下一分片，避免 Gist 滞后时重复探测本地已知分片。
 - `quick_precheck()`：第二层，获取最新视频 ID，并同时检查 `memory_urls` 与 `known_urls`。
 - `fetch_video_list()`：第三层完整扫描入口。
 - `get_video_parts()`：获取单个视频的所有分片 URL。
@@ -253,10 +253,10 @@ python monitor.py --wgmm-core-only
 
 ### `wgmm_monitor/wgmm/scoring.py`
 
-- `calculate_point_score()`：计算单个时间点得分。
-- `batch_calculate_scores()`：批量计算扫描窗口得分。
-
-得分由正向事件贡献减去负向事件惩罚，并裁剪到 `[0, 1]`。
+- `calculate_point_score()`：计算单个时间点得分；先求周期得分与条件间隔得分的几何均值，再减去负向惩罚，裁剪到 `[0, 1]`。
+- `batch_calculate_scores()`：批量计算扫描窗口得分，逻辑与单点版本相同，用 NumPy 广播实现。
+- `_conditional_interval_scores()`（私有）：以加权核密度估计（KDE）对 log 间隔建模，权重 = 历史起始状态与最近发布的周期相似度 × 时间衰减；数据不足时返回全 1。
+- `_cyclic_similarity_to_reference()`（私有）：计算历史事件与参考时间点的周期维度相似度，供条件间隔得分加权使用。
 
 ### `wgmm_monitor/wgmm/scheduler.py`
 
diff --git a/docs/wgmm-algorithm.md b/docs/wgmm-algorithm.md
index bc290cb..6859a97 100644
--- a/docs/wgmm-algorithm.md
+++ b/docs/wgmm-algorithm.md
@@ -169,7 +169,9 @@ sigma 越小，匹配越严格；sigma 越大，匹配越宽松。
 
 ## 得分计算
 
-`calculate_point_score()` 计算一个时间点的得分。
+`calculate_point_score()` 计算一个时间点的得分，最终得分由**周期得分**与**条件间隔得分**共同决定。
+
+### 周期得分（pos_score / neg_score）
 
 对每个事件：
 
@@ -181,13 +183,27 @@ dimension_similarity = exp(-distance_sq / (2 * sigma^2))
 combined = sum(dimension_weight * dimension_similarity)
 ```
 
-正向得分提高检查概率，负向得分抑制检查概率：
+### 条件间隔得分（interval_score）
+
+`_conditional_interval_scores()` 预测「距上次发布已过去多久」的概率。
+
+1. 计算历史相邻发布事件的间隔序列。
+2. 用 `_cyclic_similarity_to_reference()` 计算每段间隔的起始状态与最近一次发布的周期相似度。
+3. 权重 = 状态相似度 × 时间衰减（exp(-lambda × 年龄(小时))）。
+4. 以 Silverman 规则自适应带宽，对 log 间隔做加权核密度估计（KDE）。
+5. 将目标时间点距上次发布的 elapsed 代入 KDE，归一化到 `[0, 1]`。
+
+### 最终得分合成
 
 ```text
-score = clip(pos_score - resistance_coefficient * neg_score, 0, 1)
+interval_score  = conditional_interval_score(target, pos_events, ...)
+combined_pos    = sqrt(pos_score * interval_score)   # 几何均值，两者均高才得高分
+score           = clip(combined_pos - resistance_coefficient * neg_score, 0, 1)
 ```
 
-`batch_calculate_scores()` 用 NumPy 广播一次性计算未来扫描窗口的多个时间点。
+几何均值确保「发布时段匹配」和「间隔时机匹配」两个条件必须同时满足，任一为 0 则最终为 0。历史数据不足（< 4 条正向事件）时 `interval_score` 回退为 1.0，退化为纯周期得分。
+
+`batch_calculate_scores()` 用 NumPy 广播一次性计算未来扫描窗口的多个时间点，逻辑与单点版本相同。
 
 ## 未来峰值扫描