Vibe Coding 方法论工具箱

编者注（2026-10-14）｜独立说明
为适配平台Markdown显示，源文HTML折叠目录改为直接展开，空锚点标记不显示为正文；原标题与内容保留。原HTML标记保存在本地原文对照，相关跳转锚点列入平台补核。

现象学还原、正反合、可证伪主义、形式化方法等提效工具。

目标：把"vibe（探索）"系统化为"可验证、可迭代、可收敛"的工程产出。
每个方法给出：用途 / 落地动作 / Python工具 / 可复制提示词。

目录定位

.github/docs/gongfa/ 统一维护哲学方法论、思维模型、编程哲学和底层认知模型。本工具箱回答的不是“下一步命令是什么”，而是“为什么这样判断、如何减少幻觉、如何让复杂问题可描述、可推理、可验证”。

适合：

• 需要提升问题抽象、系统理解和长期工程判断的人。
• 需要为 AI Agent 提供更稳定认知框架的任务。
• 已经掌握入门流程，希望把经验沉淀成可迁移方法的人。

怎么选

目标	先读
想快速获得可复用认知工具	思维模型
想描述复杂系统的对象、状态和变化	组合描述模型
想理解代码、结构、状态和复杂度	编程之道
想理解真实工程里的需求、维护、质量、权衡和协作	软件工程的朴素真理
想把探索过程变成可验证工程流程	本文件的方法论工具箱

相关文档

• 思维模型 - 第一性原理、奥卡姆剃刀、网络效应、多阶思维、状态空间等可复用认知工具。
• 编程之道 - 用更抽象的方式理解代码、结构、状态、复杂度与工程判断。
• 软件工程的朴素真理 - 用底层常识理解代码、复杂度、需求、维护、质量、架构与团队。
• 组合描述模型 - 对象、状态、快照、序列、过程、变换、同一/差异与关系。

目录

• 总体作业流
• 推荐底座
• 方法论
  • 1. 现象学还原
  • 2. 正反合
  • 3. 可证伪主义
  • 4. 形式化方法
  • 5. 奥卡姆剃刀
  • 6. 实用主义
  • 7. 系统论/整体论
  • 8. 诠释学
  • 9. 钢人化原则
  • 10. 决策论/机会成本
  • 11. 反事实推理
  • 12. 溯因推理
  • 13. 贝叶斯式信念更新
  • 14. 反思平衡
  • 15. 概念分析/概念工程
  • 16. 方法论怀疑
  • 17. 视角三角测量
  • 18. 机制解释
  • 19. 错误认识论
  • 20. 实验哲学
  • 21. 计算哲学
  • 22. 自然化认识论
  • 23. 贝叶斯认识论
• 候选方法整理稿（待评审）
• 附录
• 使用指南

总体作业流

建议默认流程：

1. 现象卡片（现象/意图/情境/边界）→ 清零脑补
2. 规格化（类型+schema+错误语义+不变式）→ 可机器检查
3. 检查器（单测+性质测试+lint+类型检查+关键断言）→ 可证伪
4. 最小实现（main path）→ 快速跑通
5. 反例驱动（Hypothesis/边界/差分/基准）→ 找到失败模式
6. 收敛重构（删复杂度、固化概念、稳定接口、补文档）→ 可维护

推荐底座（Python）

ruff + black + pyright(或 mypy) + pytest + hypothesis + pydantic(msgspec可替代)

方法论

1. 现象学还原（悬置假设）

用途：需求含糊、模型脑补、Bug难复现时，先把"解释/偏好"清零，回到可观察事实与可复现结构。

落地动作：

• 先写四件套：现象(实际) / 意图(期望) / 情境(环境约束) / 边界(明确不做)
• 输出最小可复现体 MRE：最小输入 + 最小脚本 + 复现步骤 + 预期vs实际
• 把抽象词降维：快/稳/好用 → 指标&验收用例

Python工具：pytest（MRE脚本）、日志、最小数据样例

提示词：

先做现象学还原：不要推测原因。输出：现象/意图/情境/边界/未确定项/MRE；然后再给最小修复与测试。

2. 正反合（三段迭代）

用途：把一次性"写到完美"替换为可控三轮：快速可用 → 反例打脸 → 收敛为工程版本。

落地动作：

• 正：只做 main path，让它跑通
• 反：列失败模式（边界/空值/并发/权限/超时/性能），用测试与基准逼出反例
• 合：重构接口/收敛依赖/补文档与回归，形成下一轮稳定起点

Python工具：pytest + hypothesis + ruff/black + profiling/benchmark

提示词：

按正反合输出：1)最小可运行实现 2)反例与失败模式+测试 3)综合后的重构方案与最终代码。

3. 可证伪主义（波普尔）

用途：把"看起来对"变成"暂时无法证伪"；显著降低隐藏 bug。

落地动作：

• 每个关键断言都要配一个能让它失败的测试（边界/随机/反例）
• 优先性质测试而非只写示例测试

Python工具：hypothesis（性质/模糊）、pytest

提示词：

为该实现列出 5 个可证伪点，并为每个点写一个最小测试（优先 Hypothesis 性质测试）。

4. 形式化方法（轻量形式化）

用途：减少非法状态、约束模型输出、让行为可检查可累积。

落地动作：

• 先规格：类型 + schema + 不变式 + 错误集合（异常或 error object）+ 复杂度约束（可选）
• 再检查器：类型检查 + 运行时校验 + 断言/契约 + 性质测试
• 最后实现：逐条映射规格（谁保证哪条约束）

Python工具：

• typing（Literal/NewType/Protocol/TypedDict/Annotated）
• pyright/mypy
• pydantic/msgspec（输入输出校验）
• assert / icontract / deal
• pytest + hypothesis

提示词：

先输出形式化规格（类型/schema/不变式/错误语义），再给至少 3 条 Hypothesis 性质测试，最后写实现并逐条说明满足关系。

5. 奥卡姆剃刀（最小复杂度）

用途：避免模型引入不必要框架/抽象；提升可维护性与迭代速度。

落地动作：

• 要求两套方案：常规版 vs 简化版；以测试为准删复杂度
• 优先标准库、减少依赖、减少可变状态、减少层级

Python工具：ruff（复杂度/风格）、依赖审计（requirements最小化）

提示词：

在满足全部测试与验收的前提下，把实现复杂度删掉 30%：减少依赖、状态和抽象层，并解释删减理由。

6. 实用主义（以指标为准）

用途：避免"优化方向漂移"；每轮明确一个可量化目标。

落地动作：

• 先定义成功指标（P95延迟/错误率/成本/内存/可维护性）
• 每轮只优化一个指标；其余保持不退化（用基准/回归锁住）

Python工具：pytest-benchmark 或简单计时；日志与指标；回归测试

提示词：

把需求转成指标与验收阈值，并给出测量方法；本轮只优化 X 指标，保证其它指标不退化。

7. 系统论/整体论（边界与反馈回路）

用途：复杂系统容易在耦合点失控；缩短反馈回路提效最大。

落地动作：

• 先画数据流/依赖边界：I/O 放边缘，核心逻辑保持纯函数
• 优先解耦高耦合点；把慢依赖换成桩/模拟以加速测试

Python工具：依赖注入（轻量）、pytest fixtures、纯函数设计

提示词：

画出数据流与依赖边界，指出最高耦合点与最短反馈回路改造方案；给出可测试的纯函数核心与 I/O 适配层。

扩展阅读：

• 控制论与科学方法论 - 用“可能性空间/反馈/信息/黑箱/可证伪”解释从试错到收敛的机制

8. 诠释学（语境澄清）

用途：需求文本有歧义，模型与人对同一词理解不同。

落地动作：

• 先复述需求 + 歧义清单 + 默认选择（必须显式）
• 默认选择写入 docstring/README/类型定义

Python工具：docstring、类型与 schema 固化默认

提示词：

先复述需求并列出所有歧义点；对每个歧义给默认策略与理由；确认后再写实现与测试。

9. "钢人化"原则（最强版本理解）

用途：减少无效争论/误解；让重构建议更贴近原意图。

落地动作：

• 先把现有方案表达成最强版本（目标、约束、权衡）
• 再提出改进（保留其优势，指出代价）

Python工具：PR描述结构化（优点/风险/替代方案）

提示词：

先钢人化现有实现：列出它的最佳解释与优点；再给改进方案并明确代价与风险。

10. 决策论/机会成本（可逆优先）

用途：避免过早做不可逆技术决策（换框架/改数据模型）。

落地动作：

• 标注决策：可逆 vs 不可逆；优先做可逆高价值项
• 先写接口+测试桩+适配层，延后绑定外部系统

Python工具：抽象边界、adapter、in-memory 实现

提示词：

把方案拆成可逆/不可逆决策；先给可逆路径的 MVP，实现通过测试；不可逆部分只给接口与占位实现。

11. 反事实推理（Counterfactuals）

用途：系统性覆盖异常路径，降低线上事故。

落地动作：

• 问"如果 X 不成立会怎样"：超时、乱序、重复、空值、弱网、权限缺失、时钟漂移
• 把反事实转成测试矩阵与降级策略

Python工具：pytest 参数化、hypothesis 生成器、超时与重试控制

提示词：

列出 15 个反事实场景并按风险排序；为 Top5 写测试与降级/错误语义。

12. 溯因推理（Abduction，最佳解释）

用途：debug/性能退化时，比穷举更快定位"最可能原因"。

落地动作：

• 列候选原因 → 为每个原因写最便宜的区分性实验（日志点/开关/最小基准）
• 用证据淘汰而不是凭感觉改代码

Python工具：结构化日志、trace、最小 benchmark、feature flag

提示词：

给出候选原因列表，并为每个原因提供一个最低成本、最高区分度的验证实验与预期观察。

13. 贝叶斯式信念更新（与溯因配合）

用途：在不确定下理性分配排查时间。

落地动作：

• 给假设先验（高/中/低）→ 实验后更新后验排序
• 只对后验最高的 1-2 个假设投入修改成本

Python工具：同 12；加一张"假设-证据"表

提示词：

按先验排序原因；给最信息增益实验；根据可能结果更新排序并给下一步。

14. 反思平衡（Reflective equilibrium）

用途：当用例、原则、约束冲突时收敛规范（尤其 API 语义、错误处理、兼容性）。

落地动作：

• 三层对齐：具体用例 ↔ 一般原则 ↔ 系统约束
• 用测试固化：回归用例（具体判断）+ 性质测试（原则）

Python工具：pytest + hypothesis；规范文档（错误模型/幂等语义）

提示词：

列出用例/原则/约束三集，指出冲突点；给两轮调整方案，每轮说明要改哪些用例、原则或实现以达成一致。

15. 概念分析 / 概念工程

用途：防止术语漂移导致返工；把领域概念固化进代码。

落地动作：

• 概念表：术语/定义/边界/不变量/转换关系
• 概念工程：用 Enum/Literal/NewType/dataclass(frozen) 与 schema 固化边界；禁止混用

Python工具：Enum、Literal、NewType、pydantic 校验

提示词：

先产出概念表；再映射成 Python 类型与 schema；给 5 个应被拒绝的反例输入，并写对应测试。

16. 方法论怀疑（笛卡尔式）

用途：把不可靠前提当事实是 vibe coding 常见事故源。

落地动作：

• 对关键前提标注：是否可验证
• 不可验证 → 必须加运行时校验/超时/重试/降级；并写会失败的测试

Python工具：assert/校验器、超时、重试、容错分支测试

提示词：

列出该方案依赖的所有前提，并标注可验证性；对不可验证前提添加防线（校验/超时/降级）与对应测试。

17. 视角三角测量（Triangulation）

用途：减少单一证据的误判；提升结论可靠性。

落地动作：

• 同一结论至少两种证据：单测/性质测试 + 日志/指标；或差分测试 + fuzz

Python工具：pytest/hypothesis + metrics/logging；差分对照

提示词：

对关键行为给出至少两种独立验证方式，并说明各自盲区与如何互补。

18. 机制解释（Mechanistic explanation）

用途：把"能跑"变成"可解释可维护"；降低未来修改风险。

落地动作：

• 要求输出数据流：输入 → 中间状态 → 输出
• 对中间状态写不变式/断言；把解释与代码结构对齐

Python工具：assert、类型收窄、分层函数、docstring

提示词：

给出机制解释：数据在系统中如何流动；列出每个中间状态的不变式，并在代码中用断言或类型保证。

19. 错误认识论（Error epistemology）

用途：系统化"我们会如何错"，比事后补洞更省。

落地动作：

• 先做失败模式清单（空值/乱序/重复/并发/权限/超时/编码/浮点等）
• 每类至少一个测试；明确错误语义（raise / error object / log+metric）

Python工具：pytest 参数化 + hypothesis；统一 error 模型

提示词：

生成失败模式清单并按风险排序；为 Top N 写测试；统一错误模型并给出示例响应/异常层级。

20. 实验哲学（x-phi）

用途：交互与默认策略别靠直觉，用数据决定。

落地动作：

• 把争议点改成可测实验（A/B 默认值、错误文案、重试策略）
• 指标：误用率、重试率、成功率、工单率、完成时间

Python工具：埋点/日志、简单 A/B 分组、配置开关

提示词：

把该设计争议转成实验：分组、指标、样本、持续时间、判定阈值；给出埋点字段与分析方法。

21. 计算哲学（Computational philosophy）

用途：复杂状态与规则用"可运行模型/仿真/搜索"代替纯讨论。

落地动作：

• reference 实现（慢但清晰）作为 oracle
• optimized 实现（快/工程化）用差分测试锁死行为
• 用仿真/生成器自动探索边界

Python工具：hypothesis、差分测试、状态机测试（Hypothesis stateful）

提示词：

先写 reference（清晰）+ optimized（高效）；写差分测试与状态机/性质测试自动找反例并修复。

22. 自然化认识论（Naturalized epistemology）

用途：承认人类/模型都有系统性偏误，用流程与工具把偏误外包给检查器。

落地动作：

• 默认自动化：lint+format+类型检查+测试
• 高风险路径：必须性质测试/模糊测试/运行时校验
• 结论至少双证据（测试+指标）

Python工具：ruff/black/pyright/pytest/hypothesis/pydantic

提示词：

列出该任务最常见的误判点，并为每个误判点给一个自动化防线（检查器/测试/断言/埋点）。

23. 贝叶斯认识论（Bayesian epistemology）

用途：在多个方案/原因间理性分配注意力与试错预算。

落地动作：

• 先验 → 实验 → 后验 → 下一步；把排查变成序列决策问题

Python工具：同 12/13；记录表

提示词：

用贝叶斯式流程组织排查：先验排序、信息增益最高的实验、更新后的行动计划。

附录

通用"性质测试"提示（可复用）

性质	说明
非负性/有界性	结果不越界
幂等性	f(f(x)) == f(x)
单调性	输入增大输出不违反预期
守恒性	长度/集合元素/总和按规则变化
互逆性	decode(encode(x)) == x（或近似）
稳定性	排序/去重等操作满足稳定条件
交换/结合	满足代数性质的操作应通过

建议的项目框架（最小）

src/           # 纯逻辑与 I/O 分离
tests/         # 示例+性质+差分
pyproject.toml # ruff/pytest/pyright
README.md      # 概念表/错误语义/验收指标

使用指南

场景	推荐方法组合
需求不清	1（现象学）+ 8（诠释学）+ 15（概念工程）
质量不稳	3（可证伪）+ 4（形式化）+ 19（错误认识论）
排错提效	12（溯因）+ 13/23（贝叶斯更新）+ 17（三角测量）
复杂系统	7（系统论）+ 21（计算哲学）+ 14（反思平衡）
交互默认争议	20（x-phi）+ 6（实用主义指标）

现象学还原用于 Vibe Coding

核心目的：把“我以为需求是这样”从对话里剥离出去，只留下可观察、可复现、可检验的事实与体验结构，让模型在更少臆测的前提下产出可用代码。

工程语境下的三个动作：

• 悬置：暂时不采纳任何原因解释、业务推断或最佳实践偏好，只记录发生了什么、期望是什么、约束是什么。
• 还原：把问题还原到“给定输入 -> 经过过程 -> 得到输出”的最小结构，先不谈架构、模式、技术栈优雅与否。
• 意向性：明确这个功能是为谁、在什么情境下、要达成什么体验；不要停在“做个登录”，要落到“用户在弱网下也能在 2 秒内完成登录并得到明确反馈”。

适用场景：

• 需求描述充满抽象词：快、稳定、像某某一样、智能、顺滑。
• 模型开始自带设定：自己补产品逻辑、乱选框架、擅自加复杂度。
• Bug 复现困难：偶发、环境相关、输入边界不清。

操作流程：

1. 先清空解释，只保留现象：现象、意图、情境、边界。
2. 产出最小可复现体：最小输入、最小代码片段、明确复现步骤、预期 vs 实际。
3. 把抽象词降维成可测指标：快 -> P95 延迟，稳定 -> 错误率，好用 -> 交互反馈与可恢复性。

可复制提示词：

请先做“现象学还原”：不要推测原因、不要引入额外功能。
只根据我给的信息，输出：
1) 现象（可观察事实）
2) 意图（我想要的可观察结果）
3) 情境（环境/约束）
4) 未确定项（必须问清或需要我补的最小信息）
5) 最小可复现步骤（MRE）
然后再给出最小修复方案与对应测试。

口诀：先悬置解释，再固定现象；先写验收标准，再让模型写实现。

辩证法用于 Vibe Coding：正反合

把辩证法的“正反合”用于 Vibe Coding，就是把每次写代码都当成一轮可控的三段论。

正：当前状态，先跑通

• 让模型按直觉快速给出最顺的实现。
• 目标只有一个：尽快跑通主路径。

反：审计与调优，再打脸

• 立刻站在挑刺者视角反驳它。
• 列出失败模式、边界条件、性能与安全隐患。
• 用测试、类型、lint、基准把反驳落地。

合：根据审核修正，再收敛

• 把速度与约束合起来。
• 重构接口、收敛依赖、补齐测试与文档。
• 形成下一轮更稳定的起点。

实践口诀：先顺写 -> 再打脸 -> 再收敛。

一句话：Vibe 负责生成可能性，正反合负责把可能性变成工程确定性。

控制论与科学方法论

控制论视角下，工程实践不是一次性生成，而是通过信息、反馈和约束持续收缩可能性空间。

核心要点：

1. 控制的逻辑起点是被控对象存在多种可能状态；控制的本质是通过选择手段，让可能性空间朝目标状态收缩。
2. 改造世界的实践，本质是在多维可能性空间中选择物质、条件和时机，最终把低概率组合实现为确定结果。
3. 控制能力可以理解为控制前后可能性空间大小之比；任何工具或方法都有能力上限。
4. 负反馈通过比较现状与目标的差距并采取行动缩小差距，把有限的单次控制能力累积放大。
5. 正反馈会自我增强，使状态持续偏离初始平衡点，可能导致增长、演化、崩溃或恶性循环。
6. 信息是对系统不确定性的减少；控制要实现，必须先获得足够信息。
7. 控制与信息是一体两面：信息改变认知状态，控制改变现实状态。
8. 组织是一种结构状态，组织化程度越高，结构中包含的信息量越高。
9. 复杂系统的因果关系常常是概率因果、反馈环和因果网络，而不是单一线性链条。
10. 有效分析必须建立“相对孤立系统”，把无限问题切成有限问题。
11. 拥有内部反馈回路的系统会趋向稳态结构，用动态平衡抵御外部随机干扰。
12. 系统演化通常是旧稳态被破坏，经过不稳定过渡，落入新稳态。
13. 自组织系统会在没有外部指令时，由内部相互作用从无序涌现出宏观有序。
14. 质变可以是渐变，也可以是飞跃；关键不在变化速度，而在中间状态是否稳定。
15. 黑箱认识依赖输入控制与输出观察，理论就是对黑箱内部结构的模型。
16. 认识过程是“实践 -> 理论 -> 实践”的负反馈循环，用模型预测与现实输出的差异修正模型。
17. 认识反馈能否收敛，取决于理论是否可证伪、反馈速度是否足够快、反馈幅度是否不过度、实践结果是否能可靠判别理论真伪。
18. 科学规律的本质是变量之间的约束关系；掌握规律，就是把不可控随机变量转成可预测、可控制的确定结果。

用于 AI 编程时，这套方法可以压缩成一句话：

先把目标写成可检验状态，再用测试、日志、反馈、约束和迭代，把模型输出从可能性空间中逐步收缩到可验收结果。

候选方法整理稿（待评审）

本节把若干可独立描述的框架和操作方法整理成候选稿。交叉核对后，建议优先评审“最小论证结构”“库、包与 API 能力阶梯”“最小模型—迁移—边界回填”及3项跨域来源候选；6项目前仅在文稿和冻结来源选区中，尚未写入registry.json或生成总表，身份、类型、品级与是否登记仍待评审。其余备忘录候选按下方结果合并或暂缓。按当前整理要求，不列外部真实来源、作者或机构归属；不确定的归属和未经定义的主张不写成事实。

候选：分类判准形成链

用途：把一组对象整理成可解释、可复核的分类，而不是只凭名称或直觉归类。

落地动作：

1. 明确分类对象、任务和边界。
2. 列出对象的规定性与可观察差异。
3. 选择与当前任务有关的判准，区分必要条件、充分条件和仅供参考的特征。
4. 按判准归并对象，并检查边界样例、反例与无法归类项。
5. 记录分类结论及判准变更的影响。

产物：对象范围、判准表、分类结果、边界样例和待澄清项。

边界：分类结果依赖目标和判准；分类不自动证明对象之间存在自然或永久的等级关系。

候选：最小论证结构

用途：检查一项判断是否有支撑，而不把结论、证据和推理过程混为一谈。

落地动作：

1. 写出待判断的结论。
2. 列出支撑结论的依据，并标明依据是观察、数据、规则还是假设。
3. 写出“依据如何推出结论”的连接规则。
4. 补充适用条件、限制和可能推翻结论的反例。

产物：结论、依据、连接规则、条件与反例清单。

边界：结构完整不等于依据真实，也不保证推理规则正确；需要分别核对来源、逻辑和适用范围。

候选：输入—操作—输出模型

用途：用最小结构描述一个工具、程序或任务步骤的行为。

落地动作：

1. 明确输入及其范围、单位和前置条件。
2. 说明执行的操作、工具或变换。
3. 定义输出、失败语义和可观察结果。
4. 仅在任务需要时补充状态、环境、反馈、权限和副作用。

产物：输入/操作/输出契约及必要的失败和副作用清单。

边界：这是描述框架，不替代状态模型、数据契约或系统边界分析；不需要的字段不应为了形式完整而添加。

候选：问题入口三问

用途：把模糊需求拆成对象、理由和行动三个待回答问题。

1. 是什么：当前讨论的对象、问题或期望结果是什么？
2. 为什么：它为什么重要，受什么原因、约束或证据支撑？
3. 怎么做：哪些行动能够产生可观察、可验收的结果？

产物：问题描述、理由/证据和候选行动；信息不足时显式保留未知项。

边界：三问是入口提示，不代表因果已证明，也不替代需求、风险和验收定义；可以按任务跳过无关问题。

候选：工作系统层级分解

用途：把过大的工作范围逐层分解到可以分配、执行和验收的动作。

落地动作：

1. 定义领域和要达成的结果。
2. 按需要分解为价值链、流程类别、流程组、流程、活动、任务、步骤和动作。
3. 为每个拆分项标明输入、输出、责任边界和依赖。
4. 检查遗漏、重叠和无法组合的子项；到足以执行与验收时停止分解。

产物：层级分解图、依赖关系及可验收工作项。

边界：并非所有领域都需要全部层级；层级名称不是固定本体，也不应为了树形完整而制造子项。

候选：编程思考四步

用途：在实现前后组织工程判断，避免直接从模糊需求跳到代码。

落地动作：

1. 分析与拆解：确定目标、约束、现状和子问题。
2. 抽象与建模：建立足以表达问题的对象、状态、关系或接口。
3. 判断与取舍：比较方案、成本、风险、可逆性和验收条件。
4. 归纳与总结：根据验证结果更新模型、记录边界并删除无用复杂度。

产物：问题结构、方案取舍、验证结果和必要的维护记录。

边界：这四步可往返，不是每个任务都必须按固定线性顺序执行；已有详细流程优先沿用，不重复建立平行工作流。

候选：问题表示结构选择

用途：根据问题中的关系选择表示方式，避免默认用一种图或表承载所有问题。

问题结构	可选表示
层级、分类或分解	分类树、问题分解树
依赖、关系或相互影响	依赖图、关系图
时间顺序与阶段	时序图、里程碑序列
状态及状态变化	状态空间、状态转移系统
原因及影响路径	因果图或因果树
备选方案及分支	决策树
事件及其后续分支	事件树
目标分层与策略映射	策略树、指标树
条件分支、状态转移或方案比较	条件树、状态转移系统、表格或决策矩阵

落地动作：先说明问题要表达的关系，再选择表示；检查表示是否保留了必要信息、是否隐藏了不确定性，以及读者能否从中作出下一步判断。

边界：图表是表达载体，不是证据；不能因为画出树或图就声称因果、完整性或决策正确。

候选：最小模型—迁移—边界回填

用途：为复杂问题建立足够简单的模型，并谨慎借用相似结构提出待验证方案。

落地动作：

1. 明确目标、对象、关键变量及已知约束。
2. 暂时删去与当前问题无关的细节，保留关键关系，得到最小模型。
3. 搜索结构相似的案例或模型，逐项写明对应关系，不只比较名称或外观。
4. 列出类比不成立的条件，以及简化时暂时忽略的变量。
5. 把现实中的限制、失败模式和边界条件加回模型，用反例或低成本实验检查。

产物：最小模型、对应关系、遗漏变量、迁移边界和验证项。

边界：模型简化和类比只能生成假设，不证明两域机制相同；无法说明映射关系时不迁移结论。

候选：对照式分析

用途：针对一个明确问题选取少量分析轴，对照方案、约束或状态，暴露容易遗漏的差别。

可选分析轴：深度/广度、时间/空间复杂度、组合/分解、先验/后验、前兆/后继、真/假、事实/价值、相关/因果、直接/间接、内生/外生、现象/本质、目标/约束、目的/手段、收益/成本、确定/不确定、局部/整体、内部/外部、短期/长期、静态/动态、可逆/不可逆、必要/充分、量/质、存量/流量、平均/边际、绝对/相对。

落地动作：选取与验收目标相关的轴；分别记录两端的定义、证据和边界；检查两端是否穷尽、互斥，或只是为了分析临时设定的对照。

边界：这些轴不是固定分类，也不都构成严格二分。“深度/广度”等词必须结合任务定义；原始清单中重复或含义不清的轴不擅自修正。

候选：库、包与 API 能力阶梯

用途：规划从调用现成组件到能安全组合、排错和维护组件的学习与工程能力。

1. 调用：按接口使用组件，理解输入、输出和错误。
2. 选择：按需求、许可证、维护状态、兼容范围和运行约束比较方案。
3. 组合：处理接口契约、依赖关系、配置和版本边界。
4. 调试与测量：定位失败原因及性能瓶颈，区分组件问题与集成问题。
5. 修改或适配：在可维护边界内封装、替换或扩展组件。
6. 设计或构建：仅在成熟方案不满足关键约束时，才承担自建和长期维护成本。

检查问题：接口承诺是什么？调用前提是什么？失败如何表达？依赖如何锁定？许可证和维护状态是否可接受？升级与回滚如何处理？

边界：阶梯表示能力范围，不是功法品级或个人评价；高级别不天然优于复用成熟组件。

候选：数学任务三层流程

用途：在需要数学建模或计算时区分问题形式化、符号推演和实际执行。

1. 形式化：定义对象、变量、范围、假设和要证明或求解的目标。
2. 符号计算：应用规则进行推导、变换或构造解。
3. 计算执行：选择算法、数值计算、模拟或工程实现，并检查误差与边界。

边界：只适用于需要这些层次的数学/计算任务；定义、公理、定理、矩阵、微积分、算法等名称本身不是独立方法。

候选：误差预算与不确定性传播

用途：判断测量、近似、模型或数值算法中的不确定性会怎样影响最终结论，以及结论是否仍满足决策容忍度。

落地动作：

1. 定义目标量、决策容忍度与所需误差口径。
2. 分解测量、近似、模型和数值误差来源，记录可能的相关性与系统偏差。
3. 区分问题条件性、算法稳定性与结果准确性。
4. 按模型传播或估计误差界/区间，并检查残差、边界情形和量纲。
5. 报告主导误差来源、结论范围和无法量化的未知项。

产物：误差来源与相关性清单、传播范围或误差界、容忍度比较及未知项。

边界：标准差或置信区间不自动构成最坏界；遗漏系统误差、相关性或模型错设会破坏结论；数值稳定不等于结果准确。无法估计时应收缩结论，不补造精度。

候选：文献综合与证据缺口图谱

用途：综合多份研究资料，区分有支持、相互冲突、方法不可比和仍缺证据的部分。

落地动作：

1. 界定问题、时间范围及纳入/排除规则。
2. 按来源质量、研究方法和相关性分层。
3. 提取各来源的主张、数据、方法、结果和限制，并保留出处关系。
4. 比较异质性、冲突与共同限制，再形成限定范围的综合结论。
5. 列出未解决的问题及下一步需要的证据。

产物：可追溯的主张—证据关系、支持与冲突摘要、适用范围和证据缺口清单。

边界：不能把多篇摘要拼接当成共识；来源选择偏差、二手转述和方法不可比会扭曲结论；“未检索到”不等于“没有研究”。

候选：检索质量与证据覆盖审计

用途：检查一次检索是否返回相关证据、重要内容漏检多少，以及排序能否把关键来源放到可审查位置。

落地动作：

1. 把信息需求和主题/证据/用途相关性判据写清楚。
2. 建立可复核的判断集，记录检索式、来源和版本。
3. 对命中结果分层标注相关性、来源质量与判断分歧。
4. 在判断集足以支持时计算 precision、recall 和排序指标。
5. 分析漏检、重复、来源偏置和覆盖边界，并披露评估不确定性。

产物：检索质量、重要漏检、排序表现、覆盖范围和判断分歧报告。

边界：没有相关性标准就不能解释指标；没有判断集不得报告 precision/recall；排名、链接数和引用数不等于证据充分；“未检索到”不证明证据不存在。

候选交叉核对与本轮取舍（2026-10-13）

对照基线总表为410条（79条登记、331条历史来源候选）。下表把工具集候选P01–P32、已归一化的11项备忘录草稿和Solve A–G主题映射到现有登记及历史候选详情；P编号与11项草稿是同一批素材的不同整理视图，不重复计数。表中拟议ID不是已分配身份。Solve的556个ID已完成来源级导出，但未逐条与410条做完整语义比较；本轮仅对A–C候选核过完整操作和边界。对话中的C01–C20未找到独立冻结定义清单，不声称已逐项裁决。候选状态不代表正式登记、类型确认、品级或效果。

工具集候选	对照与处理
P01 分类形成链	与gongfa-concept-engineering、gongfa-state-classification对齐；现有内容覆盖主要分类与概念边界，判准链未显示足够独立增量。
P02 论证最小结构	建议继续评审；拟议ID gongfa-minimal-argument-structure尚未分配。与gongfa-steelmanning（重建最强观点）和gongfa-evidence-triangulation（比较证据渠道）相邻但问题、操作不同。
P03 输入—处理—输出模型	对齐gongfa-compositional-description、gongfa-input-state-transform-separation和gongfa-stable-interface-contract；作为最小表征素材，不再建立平行模型。
P04 目标—指标—反馈优化	合并到gongfa-methodology-delivery-loop、gongfa-performance-by-measurement及实验/信念更新相关内容；目标、指标和更新不能脱离具体验收独立成通用闭环。
P05 误差反馈迭代闭环	对齐gongfa-problem-definition-framework、gongfa-methodology-delivery-loop、gongfa-abductive-debugging和gongfa-counterfactual-testing；不重复登记总流程。
P06 当前状态—目标状态—差距	对齐gongfa-purpose-directed-action、gongfa-solution-space和gongfa-problem-definition-framework。
P07 工作系统层级分解	由gongfa-top-down-system-design、gongfa-bottom-up-system-building和gongfa-divide-and-conquer覆盖；层级词表不独立成方法。
P08 编程思考四步	合并到问题定义和gongfa-methodology-delivery-loop；未显示优于现有闭环的独立交接规则。
P09 “是什么—为什么—怎么做”	作为gongfa-problem-definition-framework的提问入口，不另立功法。
P10 多结构信息表示选择	暂缓；gongfa-state-space-thinking、gongfa-solution-space、gongfa-representation-flattening和gongfa-projection-representation覆盖相邻对象，但候选仍缺可判定的表示选择条件。
P11 问题求解认知流程	对齐gongfa-problem-definition-framework和gongfa-methodology-delivery-loop；阶段次序及停止条件没有独立增量。
P12 古文抽象求解流程	合并到问题求解、失败预演和架构权衡；巨型流水线会与现有流程并行且难验证各阶段边界。
P13 任务完成六阶段	合并到求解闭环、胶水原则、验证和复盘；不建第二条总工作流。
P14 解决方案复用决策	与gongfa-glue-principle、gongfa-glue-coding实质重叠，不新增。
P15 库/包/API能力阶梯	建议继续评审；拟议ID gongfa-library-api-capability-ladder尚未分配。与胶水原则、拼好码、API承诺和第三方API选型相邻，但新增从调用到集成、排错、适配的学习路线。
P16 对照式分析	暂缓；当前是可选分析轴清单，不是有选轴规则和反例的独立操作方法。
P17 表征变换与关系操作	分别并入gongfa-compositional-description、gongfa-evidence-triangulation及溯因/迁移等具体操作；不把动作名词表批量登记。
P18 数学三层工作流	暂缓为学科专用候选；gongfa-lightweight-formal-methods只覆盖形式化的一部分，未证明整条数学流程适用于通用编码任务。
P19 最小模型—迁移—边界回填	建议继续评审；拟议ID gongfa-minimal-model-transfer-boundaries尚未分配。与第一性原理、思想实验、拍扁及研究迁移相邻但不等同。移除未经核验的Shannon归属，采用中性名称。
P20 古文次序与渐进准则	对齐增量开发、规格先行与总体作业流；格言依赖情境，不单独立项。
P21 根因、机制与系统效应	对齐gongfa-systems-boundary-feedback、gongfa-mechanistic-explanation、gongfa-proximate-causal-mechanism及事故复盘；故事本身不证明工程规律。
P22 证据、认知与反偏差	对齐来源批判、证据三角测量、可证伪主义和错误认识论；典故作为反例素材。
P23 策略、资源与利害取舍	对齐可逆决策、架构权衡及机会成本；古代策略故事不直接外推为编码方法。
P24 迁移、学习与实践	作为学习、胶水复用和类比迁移的素材；逐项缺少独立操作及来源时不批量立项。
P25 渐进执行顺序模板	合并到增量开发、迭代和复盘；不把格言次序写成所有任务的固定线性阶段。
P26 主张/现实、角色/主体等区分	对齐组合描述与本体主文；概念边界不是独立施行方法。
P27 完整工作系统描述模型	对齐组合描述、系统边界、状态分类和依赖图；避免第二套系统字段表。
P28 动态系统闭环模型	对齐系统边界与反馈、固定点收敛和受约束状态变换，不新增同义系统模型。
P29 学习方法候选簇	暂缓；各项仍需分别核对权威来源、操作步骤、适用条件和验收，不按机构或方法名称批量登记。
P30 性能评估/优化流程	合并到性能测量、统计工具箱、风险驱动测试和持续性能工程；区分方法、指标、报告与工具。
P31 工具组合/能力编排	对齐胶水原则、拼好码、稳定接口和显式依赖；不另造组合框架。
P32 实践复盘闭环	对齐问题求解、gongfa-methodology-delivery-loop和事故复盘；事故归因与一般复盘仍按证据边界区分。

Solve主题	对照与处理
A 误差预算与不确定性传播	建议继续评审；拟议ID gongfa-error-uncertainty-budget尚未分配，由6个来源条目编辑合并。与性能统计置信区间、门槛抽样和校准估计相邻，但它处理误差来源向结论的传播及容忍度比较。
B 文献综合与证据缺口图谱	建议继续评审；拟议ID gongfa-literature-synthesis-evidence-gaps尚未分配。与单来源批判、独立交叉验证互补，不把多篇摘要拼接当共识。
C 检索质量与证据覆盖审计	建议继续评审；拟议ID gongfa-retrieval-quality-evidence-coverage尚未分配。与Skill路由精确率/召回及代码RAG相邻但范围更广；只取原子评估操作，不把派生检索循环另立新项。
D 摊销成本分析	暂缓；算法专用方法，待明确是否收录学科专用功法及相应复核范围。
E 内核核验的形式证明	暂缓；属于证明助手/形式验证专用方法，不因与轻量形式化、状态不变量相邻就泛化为通用功法。
F 因果识别假设与敏感性审计	暂缓；因果研究专用，需确认领域范围；近端机制和反事实推理不等同于混杂识别/敏感性分析。
G 分布外/漂移适用域审计	不单独新增；与拍扁、受约束状态变换、有效知识子集的外推边界及既有评估记录相邻。漂移分数不证明性能正确，专用阈值/触发规则待单独需求时再审。

26个精确标题匹配的进一步核对

24项可由既有冻结选区复核；另外2项仅由本轮本地全量导出定位，未纳入本次冻结选区，不据此建立新条目。

• 其中24项与source-classified-candidates-20261007.json的冻结Solve24选区具有相同source_id、相同原始pack SHA及相同完整JSON条目；它们已作为历史来源候选存在，不是新增功法或需要更新的第二版本。分组为：研究（来源批判、重复研究、预注册、代理指标—真实目标对齐审计）；计算机科学（不变量检查、接口契约、依赖图）；软件工程（架构权衡、增量开发、影响分析、风险驱动测试、事故复盘）；编程（二分调试、最小复现、模糊测试、性质测试、差分测试）；问题求解（手段—目的分析、选择性启发式搜索、构造性见证、元认知监控）；决策科学（信息价值、后悔与鲁棒决策）；工程（失败预演）。保留旧快照与意见，不因本轮全量索引而重建或提升状态。
• psoa.cognitive-science.metacognitive-monitoring与既有psoa.problem-solving-methodology.metacognitive-monitoring标题相同，核心操作均为监控策略、进展和停止/切换条件；学科语境略有差别，但未显示独立机制，映射到既有条目，不另立身份。
• psoa.programming-principles-101.information-hiding与历史html96:VC004虽同名，却不完全同义：VC004表达重要设计知识由单一模块拥有、减少跨模块依赖；Solve条目描述收窄公开承诺、隐藏易变实现并验证替换能力。属于相邻而非已证同一，暂缓独立候选，需先确认范围并冻结该条目的具体来源；不因标题相同而合并或新增。

以上是候选主题级去重结果，不宣称556个来源ID与既有410条逐项语义去重完成；来源提取、候选主题映射、登记状态和效能证据分别计数。

与现有方法合并，不另建平行流程

候选素材	处理方式
当前状态—目标状态—差距、目的—手段	并入现有问题求解和手段—目的分析。
发现问题—分析原因—行动—检验—纠错	并入现有反馈、溯因、反事实和复盘方法。
搜寻、评估并复用成熟方案	并入拼好码与胶水原则。
自顶向下、自底向上、分而治之	沿用系统构建方法，不重复登记。
“是什么—为什么—怎么做”、分类—可能性—分析—因果—选择—行动—度量，以及长步骤求解清单	作为现有问题求解流程的入口或组织素材；不再建一条竞争性总流程。
“先模仿再超越”“先完成再完善”“行动后复盘”等顺序格言	作为迭代、学习和复盘的提示，不将每条格言单独立项或视为普遍顺序。
关于根因、证据、情境迁移、利害取舍的格言	仅作为解释或反例素材；转成准则时须定义适用条件和反例。
贝叶斯更新、有限样本推断、第一性原理、反向思维、吸引子、性能工程	沿用总表和现有正文中的对应方法，不新建同义条目。
抽象/具体化、分解/组合、映射/比较/类比/迁移、溯因/演绎/归纳	作为表征与推理操作，优先并入概念分析、组合描述、溯因和视角分析；操作名称本身不各自登记。
知识地图、讲解、案例/历史/项目学习、设计实践、认知训练	目前只有工具名称，缺少完整操作定义、适用条件与验收；不列外部人物或机构归属，不作为独立候选。
目标与利润、投入产出、劳动/生产关系/资本、财务三表	属于商业或社会科学分析内容；没有限定工程问题与操作边界前不纳入本工具箱候选。
体力、知识、才华、方法、技术、策略、专注、耐心、信念等能力项	是能力/特质分类，不是施行方法，也不作为个人评价表。
格言中的本末、根因、证据、迁移、利害与执行次序	仅作为现有规划、溯因、反事实、迁移和复盘方法的例证；不逐句新建功法。
“解决、转移、接受”与“思考、决策、行动、命运”	前者缺少选择规则，后者不足以建立因果关系；暂不作为方法或因果模型。

算法/算力/数据三要素、损失函数、奖励函数、梯度优化、强化学习、预训练/后训练/测试时扩展、规模/涌现/通用性主张、统计/互动/混沌/复杂分类、复杂系统理论、范畴论术语、数据结构、财务工具、管理学概念、军事功能、地缘政治信号和能力特质清单，本身属于学科概念、技术手段、分类素材或未定义主张；没有形成独立的问题定义、操作规则和适用边界前，不作为本节功法。