#紧箍咒 · Causality Cage
AI 穷举 + 系统剪枝 = 可审计的因果推演
给大模型套上的状态机与逻辑沙盒:候选生成交给 AI,但否决权留在系统手里。
大模型会流畅地说出一切听起来合理的话——它不会告诉你哪一句是胡说。 本项目换了个分工:让 AI 负责穷举,让规则引擎负责否决。
git clone <this-repo> && cd <this-repo>
python demo.py # 零依赖、零联网、零 API Key
python tests/test_engine.py # 引擎核心不变量测试直接问大模型「CPI 会上行还是下行」,你会得到一段车轱辘话: 语句通顺、术语正确、没有任何一步可被检验。你无法回答: 「它凭什么这么说?」「如果前提变了还成立吗?」
本项目把推演变成一棵可审计的树:
| 裸问大模型 | 接入本项目 | |
|---|---|---|
| 输出形态 | 一段流畅文本 | 一棵带剪枝记录的树 |
| 每一步依据 | 不可见 | 规则 id 可追溯(如 PRUNE-ABS-LPR1Y) |
| 前提可换 | 否 | 是(换一个 --signal 重跑) |
| 被否决的路径 | 无记录 | 全部留痕,含否决依据 |
| 能否断言 | 不能 | 能,且知道断言的边界 |
核心主张:系统不替 AI 编答案,但系统有权拒绝明显错误的答案。
以下数字全部来自本仓库代码的真实运行,不是示意、不是手绘。
一次真实推演(信号:9月CPI PPI居民消费价格数据,深度 4):
| 指标 | 实测值 |
|---|---|
| 展开节点数 | 532 |
| 树深 | 4 层(depth0=1 → depth1=9 → depth2=80 → depth3=442) |
| 剪枝规则命中 | PRUNE-ABS-LPR1Y 60 次 · PRUNE-ABS-LPR5Y 60 次 · PRUNE-ABS-001 59 次 |
被剪掉的典型候选(真实规则原文):
- 「LPR 1Y 上行」 →
PRUNE-ABS-LPR1Y:LPR 自 2019 年报价改革以来只降不升,推上行方向不成立 - 「10Y 国债收益率上行」 →
PRUNE-ABS-001:低通胀 + 政策非偏紧下推收益率上行 = 荒谬 - 「通胀担忧叙事」 →
PRUNE-NARR-001:与世界状态(CPI≤1.5%)直接矛盾
注意最后一条:AI 会主动生成「通胀担忧」这个叙事(在别的语境下它完全合理), 是系统把它挡在了树外。这就是「否决权在系统」的具体形态。
python demo.py 的真实输出(节选):
推演树(●=存活节点,✂=被剪掉的候选)
● [depth=0]
✂ [HARD_PRUNE] narrative:inflation_concern ← PRUNE-NARR-001-DEMO
↳ narrative:cost_push [有据]
● [depth=1]
↳ narrative:demand_weak [有据] <L3_visited>
...
剪枝汇总
存活节点: 53 被剪候选: 29
✂ HARD_PRUNE narrative:inflation_concern 依据规则: PRUNE-NARR-001-DEMO
<L3_visited> 不是 bug,是状态塌缩检测:走到同一个世界状态时停止展开,
避免把相同的未来重复叙述一百遍。绝大多数 LLM「深度推演」栽在这里——
它们不会承认自己绕圈了。
┌──────────────────────────────────────────┐
│ AI 层(可替换:任意大模型) │
│ 职责:穷举候选、提出假设│
│ 权力:无否决权 │
└────────────────┬─────────────────────────┘
│ generate(state, narrative_layer,
│ node_context, seen)
▼
┌──────────────────────────────────────────┐
│ 系统层(不可替换:规则引擎) │
│ ├ hard_prune 硬剪枝(逻辑/物理/制度) │
│ ├ constraints 约束层 │
│ ├ canon 规范登记表(别名归一) │
│ └ world_tree 状态演化 + L3 去重 │
│ 权力:最终否决 │
└────────────────┬─────────────────────────┘
▼
可审计的推演树
关键设计:ai_candidate 模块在未注入任何生成器时显式抛错,而不是静默返回空。
系统宁可拒绝运行,也不伪造一个「看起来正常」的结果。
tests/test_engine.py 组1 就是在钉这条不变量。
| 文件 | 作用 |
|---|---|
tools/world_tree.py |
树演化主体:状态推进、候选注入、L3 状态去重 |
tools/hard_prune.py |
硬剪枝引擎:7 类约束的机器可判定规则 |
tools/ai_candidate.py |
候选槽位契约(含「未注入即报错」的设计) |
tools/llm_generator.py |
标准 LLM API 适配器(OpenAI 兼容,stdlib 零依赖) |
tools/canon.py |
规范登记表:别名归一 + 范围外拒收 |
tools/test_engine.py |
引擎核心不变量测试(零依赖) |
| 文件 | 为什么不发 |
|---|---|
config/state_step_model.json |
真实资产步长分位数校准(CPI/M2/CN10Y 等按 p25/p50/p75 + 样本量标定,n 最大 2340)。长期积累的数据资产,不是代码。 |
config/transmission_graph.json |
生产传导图(含实例统计) |
完整的 prune_rules.json |
仓库内是裁剪后的示范子集(标注 NOT PRODUCTION-CALIBRATED)。生产规则库经过长期领域校准,未发布。 |
取舍是刻意的:引擎能让所有人跑通、看清机制; 但「在你的领域里剪掉什么」这份知识,得自己长出来。 这也是这个项目真正的门槛所在——不是代码难写,是规则要一条条跟现实对撞出来。
- 复杂剧情游戏 / NPC 行为系统 — 让 NPC 的行为链有硬边界, 杜绝「为了推动剧情突然降智」。剪枝规则就是你的世界观物理定律。
- 金融 / 供应链推演 — 防止模型产生「听起来很专业的幻觉」。 每个方向都有规则 id 可查,每条被否决的路径都留痕。
- 规则引擎 / 约束求解研究者 — 研究如何把大模型锁在物理与逻辑边界内。 7 类约束(荒谬/矛盾/物理/时窗/叙事/认知/伦理)是一套可直接复用的框架。
不适合:想要一句话答案的场景。这套系统给你的是可审计的过程, 如果你只需要结论,它显得笨重。
tools/llm_generator.py 是 OpenAI 兼容适配器,stdlib 实现(urllib),无额外依赖:
export LLM_BASE_URL="https://api.your-provider.com/v1"
export LLM_API_KEY="sk-..."
export LLM_MODEL="your-model"然后照 demo.py 里的注入点替换离线桩即可——系统侧的剪枝逻辑一行都不用改。
想扩展剪枝规则,照 config/prune_rules.json 的 schema 写就行:
{
"id": "PRUNE-XXX-001",
"category": "logical_contradiction",
"ground": "theoretical",
"description": "人类可读的否决理由(会出现在运行日志里)",
"when": { "all_of": [{ "metric": "CPI", "op": "<=", "value": 1.5 }] },
"forbid_direction": { "target": "CN10Y", "sign": "up" }
}config/prune_rules.json是示范子集(8 条规则)。 它足以让引擎跑通、让 demo 复现,但剪枝覆盖面远小于生产版本。- 真实资产步长模型未开源,因此本仓库无法给出「每一步的幅度」。 树能告诉你「哪些路径可能」,不能告诉你「会走多远」。
- demo.py 用离线种子世界状态(占位观测值,非真实行情)。
真实数据支路需要
pip install pandas akshare并联网。 demo 的目的是演示剪枝机制,不是演示数据质量。 - 叙事域是开放的,接受任意叙事 id。这意味着规则质量直接决定剪枝质量—— 规则不全时,系统不会乱剪,但也不会拦下所有错误。这是刻意的取舍: 宁可漏剪,不可误剪。
tools/feeds.py在开源包内是降级桩:真实数据采集实现未随包发布。use_real_feeds=True时会返回空集 +source_status明确标注not_bundled, 而不是静默返回空让人误以为「源里没有东西」。离线运行(demo.py/ tests)不受影响。src/目录只包含规则与存储层(供引擎引用),不含语料采集器 (collect/、pipeline.py未发布:联网且依赖 pyarrow,非本项目核心)。
这些是引擎里带注释的"疤",也是 tests/test_engine.py 逐条钉住的不变量:
| 坑 | 症状 | 修法 |
|---|---|---|
顶层 import pandas |
fresh clone 后引擎直接 ImportError 起不来(明明纯逻辑推演根本不需要 pandas) | 改为惰性代理,只在真实行情支路才 import |
| 静默空结果 | 生成器未注入时返回空列表,上层看起来"正常跑完了" | 显式抛错,宁可拒绝运行也不伪造结果 |
| 状态塌缩 | 不同分支抵达同一世界状态后重复叙述 | L3 visited 检测 + _state_key 含叙事集(否则 no-op 归因恒真) |
| 窗口口径误杀 | chain_days 拍脑袋给 30~180 天,全被 WINDOW_FIT 剪光 |
用真实 NARRATIVE_CHAIN_DAYS(快通道 2 天 / 慢通道 10 天) |
| 虚假"桥接"披露 | 把路径上所有修饰叙事都算成"跨越" | _longest_run 只记真正桥接的节点 |
MIT