把 harness 耦合到神经学习器
safe-recursion-theorem 把执行者当作一个黑箱式的、带 ε 误差的求解器来处理。但执行者其实是一个神经学习器，它的三个具体属性是承重的——忽略它们，这套理论就只剩一个空壳。
1. ε 不是常数——它是一片地形
神经学习器的误差极不均匀：在训练分布附近很小，一旦偏离就会急剧扩大。这才是分解之所以有效的真正原因。 如果 ε 是均匀的，拆分只是把一个大误差按同样的比率换成 n 个小误差，没有实质收益。分解之所以有用，是因为它是一次坐标变换——把一个陌生的任务重新投影回模型的高密度流形上——每一块都落进了低 ε 区域（体量像样板代码、形状像惯用语的叶子任务）。由此得到的推论：叶子标准不是"token 数少"，而是"足够熟悉"；度量 P×C 其实是相对于模型的能力地形而言的 P×C；一次拆分如果产出了不熟悉的碎片，即便每一块都更小，情况也已经变得更糟。
2. 修复循环是伪 SGD——所以 k 就是反馈的可读性
一个 gate 的失败信号就是学习器的梯度：误差信号 → 调整 → 重新评估，这正是 SGD 的形状。因此 inexact-contraction 中的收缩因子 k 并不是模型单独的属性，而是（模型 × 反馈可读性）这一对的属性：一个只会说"FAIL"的检查会得到 k ≈ 1（学习器只能盲目摸索）；一个能定位错误的检查（哪条断言、哪个输入、预期值与实际值）会得到 k ≪ 1。由此得出的设计原则：检查应该给出梯度，而不是给出裁决——错误信息要写给学习器看。这一点细化了 recursion-convergence-contraction 中"验证带宽 = k"的说法：带宽不仅取决于信号是否触发，还取决于这个信号有多可操作。
3. 叶子标准是 PAC 式的：子任务的 spec 必须能从它拿到的注入中学出来
阶段注入（目标 + 上下文 + playbook，见 stage-anatomy）就是一个样本；上下文窗口就是样本预算 m；子任务的行为就是学习器要拟合的假设。按 pac / vc-dimension 的逻辑：如果子任务 spec 相对于 m 个 token 的注入所能钉死的内容而言过于复杂，子任务就会用自己的先验去填补空缺——也就是 tacit-spec-as-spec-compression 所说的那种幻觉出来的 spec、那种失效模式。于是分解的精确停止规则就是：拆分，直到每个子任务的 spec 都能从你负担得起的注入中学出来为止。 相对于 spec 的复杂度，注入的上下文太少 = 一个学不出来的叶子 = 必然的 tacit drift。
两个次要的耦合
- 去相关： 同一个模型意味着相关的
α（见 honest-caveats）；集成方案的补救办法——在冗余检查之间变换温度、提示词、模型族——能为并集界（union bound）买回一部分独立性。 - 自洽性作为廉价的预筛： 让学习器采样
n次并测量一致程度；一致程度低就意味着方差高，应在花费真正的验证预算之前，先转去更强的 gate 或做进一步拆分。
harness 不是包裹在黑箱外面的脚手架——它是一个包裹在学习器外面的控制回路，它的三个耦合（能力地形、梯度可读的反馈、可学习的叶子）正是这套理论不再是空谈的地方。