为什么这一整套让人想起 ODE/PDE 优化器
这整座大厦（收敛、压缩、控制、Ashby、Bellman、搜索）之所以和 ODE/PDE 优化器一一对上，是因为它们是同一个属：一个流动/迭代到不动点的系统，"收不收敛"是一个压缩/稳定性问题——而这正是 ODE 优化器本身。
优化器就是离散化的 ODE
- 梯度下降 = 对梯度流
dx/dt = −∇f做前向 Euler；动量/Nesterov = 一个带阻尼的二阶 ODE（Su–Boyd–Candès）。 - 优化 = 流向平衡点（
∇f=0）；收敛 = Lyapunov 稳定性 / 压缩——字面上就是我们的"收敛 = 向不动点压缩"（recursion-convergence-contraction）。
控制（Ashby、本线）本来就是 ODE/PDE
- 被控对象 = ODE
dx/dt=f(x,u)；最优控制 = HJB PDE，其解是值函数 = Bellman 自指不动点的连续版。 - Ashby 的超稳定性 = 动力系统流向可存活吸引子（本质变量保持在界内）= ODE 到平衡点（ashby）。
概念 1:1 对应
| 本线 | ODE/PDE 优化 / 控制 |
|---|---|
| 收敛 = 压缩 | Lyapunov 稳定性 / 梯度流到平衡点 |
| 可观测性天花板（convergence-needs-an-observable-target） | 可观测性（估不出不可观测的模态） |
| 必要多样性（Ashby） | 可控性（能否把系统驱到任意处） |
| Simon–Ando 快慢分层（simon-ando） | 多尺度/刚性：multigrid、奇异摄动、均匀化 |
P×C 满足即止 / 提前停 | 自适应步长 + 残差够小就停 |
| 回溯 / 功劳分配 | 伴随方法 = 反向 ODE（backprop / neural ODE） |
| Bellman 自指 | HJB PDE |
两个严格命中：可观测性天花板就是控制论的可观测性；Simon–Ando 快慢分层就是 multigrid/刚性求解器利用的尺度分离。不是"让人想起"——是同一套数学换了衣服。
有启发的地方在差异
ODE 优化器的收敛是好结构白送的：光滑、（近）凸、可靠的梯度、压缩。而智能体世界离散、不光滑、非凸，它的"梯度"是 LLM 那不可靠的随机判断，还带无穷组合分支。
ODE 世界：压缩由数学给定。智能体世界：没有这种结构 → 收敛不是白送的 → 必须工程化制造（门、世界钉死、
P×C、先验证再提交）。
同属，但它们从光滑性继承压缩，我们得制造压缩。整个 recursive-harness 脚手架就是：在一个毫无 ODE 良好结构的空间里，把 ODE 优化器免费得到的压缩亲手造出来。这就是它既像 ODE 优化器、又比 ODE 优化器难的原因。