递归 Harness

上级：engineering

如何在一个 agent harness 里安全地获得非原始（深度无界）的递归——即便当今的模型在不受限制的一般递归下无法保证收敛。

背景（理论基底）

递归会复合价值，但前提是它必须收敛 → recursion-convergence-contraction
一般（非原始）递归是一次相变（Turing/Gödel）——而你迈不过去，因为模型无法保证收敛 → recursion-is-a-phase-transition
收敛需要一个可观测/可辨识的目标，光有一个能干的模型是不够的 → convergence-needs-an-observable-target

构造方案（本子树）

用良基（well-founded）递归 + 逐层门控，穿过这根针眼：

pc-well-founded-recursion —— 在一个严格递减的度量（P×C）上递归；叶子 = 任何 P×C 可接受的子任务。用同一个度量同时保证终止和收敛。
- safe-recursion-theorem —— 内核的形状：良基度量 + 受门控的行动（包括拆分）+ 收缩式重组 ⟹ 终止、误差不超过 ε/(1−k) 的正确性、以及不超预算。
- operationalizing-tolerances —— ε、α、k 落到地面究竟是什么：验收检查集合、经变异测试校准过的误接受率、残差比、预算计数器；可理解性是那些旋钮背后的那一个旋钮。
- root-protocol —— 顶层实际下发的是什么：一部能自我复制的宪法（SOLVE-or-SPLIT、四段式拆分、把 C 向下传递、声明自己的航向、失败要大声报出来）；你全部的杠杆就是 S_root + C。
- coupling-to-the-learner —— 真正承重的那些神经属性：ε 是一片能力地形（分解 = 投影到这片地形上），k = 反馈的可读性（检查要能发出梯度），叶子必须能从其注入内容中 PAC-可学。
- giant-tasks-nonprimitive —— 为什么深度未知的任务会把你逼进 μ-递归，以及为什么再能干的 agent 也翻不过这堵墙：对角化不理会你有多聪明；这场博弈玩的是构造性的-∃（去证明），不是可判定的-∀；total ≠ r.e.，所以这部宪法永远不完备；唯一的逃生口是交互式扩展（Turing 的序数逻辑）。
- coordinator-not-arbiter —— 失败由谁来处理：一个机械式内核（全局 no-goods + 溯源图 + 账本 + backjump 计算，是 DPLL(T) SAT 核心的同位素），绝不是一个常设的 LLM 仲裁者；语义诊断也只是又一个受门控的行动而已。
- weak-auditor-by-design —— 为什么盯着一个强 actor 的审计者应该比它更弱（以 Anthropic 的 hook 审计者作为生产级先例）：热路径经济学、任务收窄、绊线而非高墙、智能本身即攻击面、去相关、被校准过的怀疑；审计者的力量来自它所处的位置，而不是它的智商。
- split-granularity-equilibrium —— 粒度困境：拆分风险上升，叶子风险下降 → 一条 U 形曲线（用 P×C 计价的偏差–方差权衡）；以及能移动这条曲线的手段——局部粒度、先探测再拆分（冲突驱动的分解）、沿 Simon 缝合线切割（证书长度 = 切割质量）。
- upward-reequilibration —— 当均衡本身也是坏的：节点发出一份不可行性证书，由祖先重新求均衡——Benders 可行性割（硬手段，重塑整棵树；no-goods ≡ 组合 Benders 割）+ 影子价格（软手段，在兄弟节点间重新分配 α/B）；单调的割 + 不断耗竭的账本 = 不会振荡。
- grounding-in-logprobs —— 那些希腊字母有了真实的数值：语义熵 → α̂ 预门控，由门控历史校准出的置信度 → α 账本，token 熵剖面 → 一份 ◇/□ 读数（用来核验高熵片段），困惑度 → ε 地形探测。度量负责提议，门控负责裁决。

软化版逻辑舶来品（每一条都是一个硬结果，被软化后带来一项 harness 收益）

blame-calculus —— 渐进类型：软/硬边界的跨越就是类型转换（cast）= 门控；"类型良好者不受责难"⟹ 位于机械式门控之后的子树可被证明不是罪魁祸首（精确到 α）。
spot-checkable-artifacts —— PCP 式的一手：要求产出物采用能放大错误的格式（贯穿其中的断言/类型/校验和），这样廉价的随机抽查就能获得全局覆盖。
paraconsistent-isolation —— 对一个由 LLM 喂养的信念库来说，ex falso（由假可推出一切）是致命的；按溯源锥把矛盾隔离开来；隔离（八项控制中的第 5 项）由此获得了自己的逻辑身份。
soft-identity-transfer —— 相等 → 距离（双模拟度量）：no-goods/包含关系/价格可以带着置信度衰减，迁移到 ε-相似的上下文中；先检索、后生成；度量负责提议，门控负责裁决。
interface-p-belief —— 两将军问题：精确的共同知识不可达；共同 p-信念（p-belief）已经足够（Monderer–Samet）——这正是为什么书面的、两端都设门控的接口契约管用，而临场协商不管用。

decompose-and-reassemble —— 中间层的 agent 把一个任务拆成近可分解的子任务，再重新组合；重组的接合点正是必须安放门控的地方。
tacit-spec-as-spec-compression —— LLM 提供 spec 中写不出来的那部分；递归把无穷的案例空间压缩成一条有限的规则，把隐性风险集中到两处：派发处（危险）和叶子处（受 P×C 约束、安全）。
world-choice-and-consistency-gate —— 你不需要确定性的品味；一次品味选择选中了一个可能世界，收敛是逐世界发生的，于是门控就变成了与所选世界的一致性（可核验），而不是与真理相符（不可核验）。
drift-is-world-wandering —— 诊断：今天的 drift 现象 = 在互不相容的世界之间游荡（没有钉住一个世界 / 没有一致性门控 / 没有溯源）。修法就是上面这整套机制。
csp-formalization —— 可计算的形式：一个动态 CSP（变量/值域/约束），坍缩 = 弧一致性，收敛 = spread×cost ≤ θ_PC，配有一个可运行的求解算法；LLM 从 3 个接口切入。
deducible-not-known —— 第三重天花板：约束蕴含了答案，但推导出它是 NP-hard 的；□/◇ 只在传播可见的范围内成立；P×C 同时兼任演绎搜索的预算；LLM 就是应对这个难解演绎问题的启发式方法。
conflict-learning-and-backjumping —— CDCL：走进死胡同 → backjump 回真正的祸首（也许是另一棵子树）+ 学到一条 no-good。赋值本身是非单调的，但学到的坍缩信息是单调的 → 正是这一点保证了收敛（这也是应对 deducible≠known 的偷懒解法，再加上对抗 drift 的溯源）。
llm-as-fallible-theory-solver —— 这套 harness 就是 DPLL(T)，LLM 充当一个会犯错的理论求解器；因此 LLM 必须为自己给出的不相容判决给出解释（吐出一个小的冲突），否则就没有短的 no-good，没有 backjump，也没有收敛。
non-determinism-and-infinite-branching —— 但 agent 是非确定性的（no-goods 可能是假的 → 软化成带权重、可修正的信念），也是无穷分支的（要采样，不要枚举 → 用 MCTS，不用 DFS/BFS；不追求完备，只追求 P×C 意义上的满意解）。归宿因此从 CDCL 转移到了 LLM 作为策略+价值网络的 MCTS + 软约束。
stages-gates-bound-the-search —— 焊接点：stages-and-gates 就是让那个不可靠、无穷的 MCTS 收敛的那副脚手架——一个门控是一次软→硬的验证式坍缩，把搜索重新钉回地面，阻止不可靠的误差跨阶段复合放大。把门控放在可机械核验的接缝处。（另外：它对应到那八项控制中的 6 项。）
modal-status-labels —— 为什么 Kripke 语义值得占一席之地：不是作为逻辑本身，而是作为一套标注方案（□ 确定 / ◇ 可能 / 条件式 + 置信度）。agent 的追溯要比 SAT 难得多（更丰富、也更不可靠的模态地形），所以每个事实的模态状态都必须显式标出才能正确回溯；可达性 = 那张告诉你该往哪回跳的依赖图。

一句话

一个安全的非原始递归 harness = P×C-良基递归（终止 + 收敛）×沿弱缝合线的分解/重组×逐节点的世界承诺 + 一致性门控（无需确定性的正确性）×人类作为世界的接受者。模型提供那份写不出来的 spec；结构 + P×C + 一致性使它保持收敛。