系统化问题解决顾问

概述

<!– V6.0.0 变更记录（本地构建，未发布 SkillHub，验证 OK 后再更新）：

1. 新增 P8 世界模型增强协议——让 DIO 从"静态顾问"升级为"能在想象中试错的动态顾问"；
2. 核心选型结论：物理规律已知的问题首选白盒可微物理仿真器（Genesis/MuJoCo/Isaac Sim + XFLR5 + FEA），

神经世界模型（DreamerV3/MuZero/Cosmos）仅在环境动力学未知时才值得上；

1. 分层世界模型架构（L3 方法骨架 / L2 白盒推演 / L1 参数化+Optuna），复用 G_V8 自进化引擎经验；
2. 新增桥接节点 B12（世界模型桥）；P8 是对 P4 参数化建模的向上扩展。

首个验证项目：变形金刚"六边形战士"（人形/飞行/车形三模态）重新整体+细节设计。 –>

系统化创新框架技能（DIO Cycle）

🆕 新手 3 步上手（不必通读全文）：① 把问题用大白话说出来（"想要 X 但受限于 Y"即可）→ ② 跑 python scripts/v10_validation.py 确认环境就绪（约 10 秒，末行 === V10 整体验证：通过 ✅ ===）→ ③ 按「📖 读者地图」按需取用章节；动手前先扫一眼下方「十大反模式避坑清单」可少走 90% 弯路。更细的新手路径见 references/NEWCOMER_GUIDE.md（3 步上手）与 references/NEWCOMER_HANDBOOK.md（17 条问答 + 反模式库）。

概述

本技能融合三门课程的方法级知识，构建诊断→创新→优化（DIO）闭环，帮助用户：

1. 诊断域（质量管理，Quality Management）：识别和量化问题
2. 突破域（TRIZ创新，TRIZ Innovation）：解决矛盾、突破折中
3. 优化域（运筹学，Operations Research）：约束下最优决策

知识库路径：方法级蒸馏文档位于 references/ 目录（如存在）：

• 运筹学_方法级蒸馏.md — 11个核心OR方法（v3.3 增补 §11 约束理论 TOC 与工厂物理）
• 创新管理_方法级蒸馏.md — 11个核心创新方法（含40发明原理详细表；v3.3 深化 §8 破坏性创新）
• 项目质量管理_方法级蒸馏.md — 14个核心质量方法（v3.3 增 §11 DPMO/σ水平、§13 V&V、§14 结构化拆解；v3.4 深化 §11 DOE 7 步处方 + 关键因素 a–f + 结果分析 6a–6f；v3.5 升级 §11 DOE 至"可教可学可操作"——加一般模型 X/U/Y、应用领域分类、关键术语量化（实验次数 2^k/3^k、田口三类特性、计数vs计量、噪声处理 五选招）、残差诊断四合一图判读、热处理实例 2^3=8 次演示）
• 跨域集成框架_诊断创新优化闭环.md — DIO闭环工作流与10个桥接节点（v3.3 增 §6 敏捷/迭代执行引擎；v3.4 增 §7 产品开发阶段门 IPD/APQP 含 6+5 阶段门与 APQP 7 角色；v3.5 附录式追加 §7 附录A：PMBOK 5 过程组 ↔ IPD-APQP 对照表，参考用、不增方法计数）

关于知识完整性：本文件已经内置三大域的核心速查表、实战案例、FAQ与异常处理清单，可独立工作。上述 references/ 蒸馏文档为可选增强——缺失时不影响核心功能，系统会自动降级到内置内容（详见文末"异常处理自检清单"），不会静默失败。

两层知识域与知识经验库（V4.1 深化 · 发散-并行-收敛模型）

设计哲学变更（核心）：v3.x 是方法中心（D/I/O 三方法域 + 经验账本）；V4.0 重构为 知识域中心 → 方法层；V4.1 进一步把"相关性分析"从前置门改为并行知识引子，并新增 阶段0 无边界发散 与 阶段0c 规则收敛，形成 发散(0) → 并行供给(0a+0b) → 收敛(0c) → D/I/O 闭环 的模型——既保留知识域驱动的好处，又保障想象力与扩展性不被索引过早约束。

落实用户四点要求：① 先建各学科/行业知识经验库，再做相关性分析，为解决问题做准备；② 学科按《学位授予和人才培养学科目录》（13 门类 + 一级学科），行业按 A 股申万一级 31；③ 知识库通过 web/journal/conference/magazine/video 多源持续积累；④ 在现有 D/I/O 结构与经验账本上扩展，非推倒重来。

一、两层知识域（分类标准）

• 学科域（参照《学位授予和人才培养学科目录》）：13 学科门类 → 一级学科。骨架见 references/学科知识域索引.md（全量骨架，相关槽位已填 KB 种子）。
• 行业域（参照 A 股申万一级 31，备选中信/证监会/GICS）：骨架见 references/行业知识域索引.md。
• 每个域节点 = 一个 KB 槽位（核心概念 / 经典模型 / 典型矛盾 / 标准规范 / 常见坑）。

二、知识经验库 KEB（四库合一）

KEB = 学科 KB ∪ 行业 KB ∪ 方法 KB（现有 D/I/O 蒸馏）∪ 经验账本（E####）

• 条目 Schema 与 多源获取协议（web/journal/conference/magazine/video；顾问输出【知识补全指令】、用户/Connector 执行回填）见 references/知识经验库_KEB.md。
• 机器可读存储：references/KEB.json（由 scripts/keb.py 读写）。

三、相关性分析（并行知识引子，阶段0a · 非前置门控）

• 定位：0a 是供给通道之一，不是解题必经门。它与 0b（DIO 方法路由）并行向"收敛/综合"（0c）供货，永不阻塞解题、也不限定发散范围。
• 作用：给定问题 → 映射 top-N 学科/行业 → KEB 检索 + 打分 → 生成【问题上下文简报】，作为"已知可借鉴知识"输入到 0c 收敛（及 D/I/O 闭环做实）。
• 详细五步、打分公式（score = w_d·学科重合 + w_i·行业重合 + w_s·签名命中 + w_m·方法亲和）、简报模板见 references/相关性分析_工作流.md。
• 代码引擎：scripts/keb.py analyze/add/gaps（纯标准库，无第三方依赖）。

四、与现有结构的关系

• 保留：D/I/O 三方法域、矛盾矩阵、40 原理、科学效应库、运筹 10 法、质量 11 法、经验账本 E####、自动化执行纪律、7 案例。
• 扩展：阶段0 拆为 0（无边界发散）/ 0a（知识引子，并行）/ 0b（DIO 方法路由，并行）/ 0c（规则收敛，独立元步）；阶段5 POST 额外把经验回填 KEB 学科/行业槽位（越用越厚）。

知识融合增补（v3.3：蒸馏内容 → DIO）

将桌面 蒸馏内容/ 28 份资料（PDF/PPT，覆盖质量/创新/运筹/敏捷/拆解/战略/心理等）提炼为可应用的方法级知识，融入 DIO 三域与闭环框架——不是堆概念，而是补齐同一领域/方法的短板。

v3.3 已融合（文本可提取、方法级确认）：

v3.4 已融合（OCR 读取图像型 PDF，可应用方法级）：

v3.5 已深化（OCR + 多模态直读，§11 DOE 升至可教可学可操作级）：

仍待处理（OCR 中/情境未融）：《思考，快与慢》PDF损坏无法打开；麦肯锡.ppt为旧版格式需转换；itstrategy/ops100/bizdata/thinkart 偏情境运营/战略，OCR 后按需拣选方法结构融合；心理/战略/运营类作情境编目不强行混入。easyocr 模型权重托管在 GitHub（环境不可达）→ 已切换至 PaddleOCR（权重从百度云 bcebos 拉取，可达）。

📖 读者地图与触发方式（30 秒上手）

TL;DR：不知道从哪看？按身份选路径；不知道怎么触发？只分 3 类说法，自然语言即可，无需背术语。

读者地图（按身份选路径）

全文导航地图（渐进式披露 · 只读你需要的章节）

文档较长是深度所致，不必通读。下表是唯一导航入口：按"什么时候读"取用，其余章节跳过不影响使用。

⚠️ 十大反模式避坑清单（动手前先扫一眼 · 详细版见文末「FAQ 与避坑指南」）

评审反馈（v10.2.1）：踩坑内容埋在文末、缺少提前告知。故把最高频的 10 条前置于此——每条都是真实付出过代价的教训。

触发方式三分类（不用背术语）

本技能把 front-matter 里上百个 trigger 词归纳为 3 类说法，说哪种都行：

三类的底层判定逻辑见文末「激活条件 / 触发匹配规则」。无论哪类，输出都带 【矛盾识别】→【方案】→【验证】 结构。

语义路由增强（v3.2，科研 Skill 调度）

科研类问题在 8 个 Skill 间路由时，纯关键词易误命中（如 Nature 的「文献」过宽吞噬 ARS/ARIS 查询）。v3.2 引入 embedding 语义匹配：

• 模型离线：本地 text2vec-base-chinese 句向量（本机 HF 缓存），强制离线、零网络请求；
• 排序机制：dispatch 以 DIO-SEF 加权分 S 为基底，语义相似度做降权修正 Sf = S·(FLOOR+(1-FLOOR)·rel)——最低相关候选被降权、最高相关不变；
• 精准救援：当全局语义最匹配且显著优于最佳关键词候选、却不在关键词候选中时，仅补入该 1 个 Skill（如「从0规划投稿」补入 ARS），避免弄脏已覆盖查询的候选集；
• 效果：统一路由基准 top-1 准确率——引入 embedding 后 单 83.3%→91.7%、多 75.0%→91.7%、A 类误命中 4→0；再经差异化触发关键词修复 B 类重叠后，多升至 100%（24/24）、B 类 2→0（详见下）。离题查询（如"优化物流路径"，最高相似度 0.316<阈值 0.34）仍正确返回零候选。
• 模型不可用时自动降级为纯 DIO-SEF 关键词路由，行为等价于升级前。
• 可选其他模型（默认 text2vec 最优；余三者经 DIO 闭环已修复退步，见 E0112）：注册表另含 bge-large-zh（1024 维）、bge-small-zh（512 维）、m3e-base（768 维），均从 ModelScope 离线拉取。初测三者均退步（多 87.5%、重引入 A 类），根因是 阈值-分布耦合（Threshold-Distribution Coupling）：rescue_gap=0.06 / offtopic_floor=0.34 为 text2vec 梯度（相似度跨度 0.2–0.7）调的绝对余弦阈值，而 bge/m3e 把 8 个 Skill 相似度全挤在 0.62–0.69——救援 gap 几乎永不被超过 → gold 从不注入 → A/B 回归。

DIO 闭环解法（E0112）：用 TRIZ #15 动态化 + #23 反馈 + #35 参数变化 把阈值改为 按模型自适应（SCHEDULER_PARAMS 注册表，调度器与嵌入分布解耦→新向量=插拔+重标定）。解耦"离题 floor"与"离题必须零候选"硬约束（bge/m3e 离题最佳相似度≥0.70、题内最小≥0.66，绝对阈值物理上无法分离离题，诚实记为不可解）。以 diag_sweep_real.py（猴补 similarities 返回缓存 sim、驱动真实 dispatch）做联合阈值扫描，落每模型最优 (rescue_gap, offtopic_floor, rel_floor)，再经真实 benchmark_unified.py 四模型验证：

A 类误命中已对 m3e / bge-large 彻底消除，bge-large 多升至 91.7%——直接回应初测"退步/重引入 A 类"诉求。剩余硬伤：bge-small 的 A=2 是嵌入质量上限（bge-small 把 Nature 排在真正 gold 之上，调度侧任何机制在不伤其他模型前提下都无法挽回）；m3e/bge 残留 B 类是多候选合理重叠（嵌入偏好另一有效 Skill，如 PaperSpine/ARS/PaperCraft 优于 Nature），非调度 bug。故默认仍用 text2vec-base-chinese；余三者经自适应阈值后可作 DIO_EMBED_MODEL 可切换项（bge-small 不推荐作默认）。B 类 #3↔#1、#2↔#1 已通过差异化触发关键词彻底消除——#3 补「流水线/实验分析/A-B/自动化分析/数据处理/数据分析流水线/统计流水线/批处理分析」、#2 补「要点提取/深度阅读/读论文/文献阅读/论文精读/pdf阅读」——多 91.7%→100%、B 2→0，且零回归；剩余 1 个单 B 类属 #6↔#1 写作簇真实重叠，由 DIO-SEF 评估器给出可辩护单一最优，不靠向量大小解决。

🚀 快速开始（Quick Start · 零配置开箱即用）

TL;DR：零第三方依赖（纯 Python 标准库，无需 pip install 任何包）、零配置。一条命令验证安装，30 秒跑通第一个分析，JSON 模板直接调用确定性算法器。

安装与依赖（1 分钟）

• 环境要求：Python 3.10+。所有 scripts 仅用标准库（dataclasses/json/math/argparse/re），无需安装任何第三方包；
• 语义路由 embedding 为可选增强（本机离线模型），不可用时自动降级为关键词路由，功能无损；
• 安装验证（任一条通过即安装成功）：

# ① 端到端整体验证（完整 DIO 闭环 + 四纪律 + 愿景验收，约 10 秒）
python scripts/v10_validation.py
#    预期输出末行：=== V10 整体验证：通过 ✅ ===

# ② 预测/反馈闭环自检（确定性 + 发散守卫 + 持久化）
python scripts/prediction_feedback.py
#    预期输出：两次闭环结果一致 = True

# ③ 公差链自检（极值/RSS/蒙特卡洛与手算基准核验 + 工艺库 + 守卫）
python scripts/tolerance_chain.py
#    预期输出末行：=== tolerance_chain.py 全部自测通过 ✅ ===

# ④ 解析级物理校核自检（弯曲/屈曲/热/压降基准核验）
python scripts/physics_checks.py
#    预期输出末行：=== physics_checks.py 全部自测通过 ✅ ===

# ⑤ 硬件闭环数字侧自检（导入/对比/自动校准/报告/检查单）
python scripts/hardware_loop.py
#    预期输出末行：=== hardware_loop.py 全部自测通过 ✅ ===

# ⑥ 力学计算器自检
python scripts/mechanism_calc.py --help

# ⑦ 世界模型组件自检（P8 可运行组件：白盒+潜在模型+反事实+不确定性+sim-to-real）
python scripts/world_model.py --self-test
#    预期输出末行：=== 全部自测通过 ✅ ===
#    也可做反事实/蒙特卡洛演示：
#    python scripts/world_model.py --whatif 0.6    # 反事实 rollout（推力在 0.6s 切断）
#    python scripts/world_model.py --mc 300        # 落地冲击不确定性分布（300 次蒙特卡洛）

# ⑧ 知识经验库（KEB）自检（RAG 式"先查后答"：init/add/analyze/gaps，纯标准库）
python scripts/keb.py --self-test
#    预期输出末行：=== keb.py 全部自测通过 ✅ ===
#    也可做建库/检索演示（--add 收 JSON 字符串，字段为 concept/model/typical_conflict 等）：
#    python scripts/keb.py --add "{"domain":"机械工程","concept":"碳纤维比刚度","model":"CFRP比刚度≈钢的5倍"}"
#    python scripts/keb.py --analyze "轻量化 复合材料" --top-n 5

# ⑨ 多物理场求解器桥自检（CalculiX .inp 生成→求解→.frd 解析；无求解器时优雅降级）
python scripts/fea_adapter.py --self-test
#    预期输出末行：=== fea_adapter.py 全部自测通过 ✅ ===
#    本机 CalculiX 已装时可跑真实求解：
#    python scripts/fea_adapter.py --demo    # 生成悬臂梁 .inp → 调 ccx → 解析位移

30 秒最小示例（说人话即可，无需配置）

输入（自然语言直接触发）：

"提高了速度但精度下降了，怎么兼顾？"

输出（自动路由突破域 I，固定三段结构）：

【矛盾识别】技术矛盾：改善 #9 速度 ↔ 恶化 #27 可靠性
【方案】矛盾矩阵推荐原理 + 每条原理的具体做法
【验证】每条方案附验证计划（DOE / SPC / 灵敏度）

算法器直接调用模板（工程规格 → 确定性输出）

把抽象规格填进 dict，一行调用，得到带定量理由的确定性结论（输入格式照抄即可）：

# 1) 结构质量反算器（L1）：性能规格 → 部件质量账 + MTOW
from structure_mass_estimator import estimate
result = estimate({"wing_loading": 60.0, "aspect_ratio": 8.0,
                   "endurance_min": 30.0, "hover_duty": 0.0, "payload_kg": 15.0})
# 输出：MTOW / 翼·推进·机身·腿·电池·载荷 分项质量 + 翼展 / L/D

# 2) 拓扑裁定器（L2）：多候选重心轨迹 → 最优拓扑 + 三判据评分
from topology_adjudicator import adjudicate
# 输入格式完整示例见 scripts/integration_test_hexagon.py（T1/T2/T3）

# 3) 一键全管线（L3 编排）：矛盾→裁决→反算→拓扑→几何→制造→反馈
from dio_pipeline import DIOPipeline
r = DIOPipeline().run(requirement_dict)   # 任一步 FAIL 自动短路
print(r.summary())                         # 完整 DIO 闭环报告

核心输入字段速查（结构反算器）：

功能就绪度清单（诚实声明 · 透明边界）

内置默认数据清单（缺输入时直接可用，均显式标注来源）

跨平台稳定性说明（脚本执行环境）

• 全部脚本使用相对路径自适应（os.path.dirname(os.path.abspath(__file__))），任意安装目录、任意盘符、Windows/Linux/macOS 均可直接运行，无硬编码路径；
• 极端输入不崩溃：发散守卫返回 FAIL + 原因（不伪造数值）；管线 FAIL 短路并汇总缺失项；
• Windows 终端建议 UTF-8（chcp 65001）；PowerShell 重定向产生 UTF-16 时，用 open(path, encoding='utf-16') 读取；
• 任何脚本异常先重跑 python scripts/v10_validation.py——通过则环境正常，问题在调用参数；不通过则重装本 Skill 最新版。
• 高频错误码 30 秒自救：E101 问题信息不完整（补"目标 + 至少 1 个约束"）｜E202 矛盾无法识别（用"想要 A，代价 B 变差"重述）｜E301 关键数据缺失（给值/区间，或说"用典型值"）｜E401 模型无可行解（看松弛对比，决定放宽哪条约束）｜E502 外部工具不可用（切等价内嵌降级）｜E601 命中真实能力边界（说明想要什么量化参考）——完整错误码见 references/error_codes.md（大白话版见 references/DEEP_REFERENCE.md 第一部分）。

核心工作流：DIO Cycle

TL;DR：阶段0 无边界发散 → 0a 知识引子(并行) + 0b 方法路由(并行) → 0c 规则收敛 → Step 域内执行 → 桥接切换 → 闭环迭代 D→I→O→D。0a/0b 互不门控，收敛显式后置。

两层边界（V4.1 反思后强化 · 借鉴 RAG + Agentic Engineering）：

• 学习层（怎么学习）= "先懂领域，再解题"。本顾问采用用户定义的 「学习四步法」（详见 references/学习协议_四步法.md，以"设计飞行器"贯穿示例）：

① 定义——先查清概念的核心意义（如《现代汉语词典》"能够在空中飞行的机器或装置"），不急于上手；

② 调研现有——已有同类事物有哪些、基于什么设计、用了哪些学科知识/经验；

③ 建库——查找相关学科知识并沉淀进 KEB（结构化、可溯源、带定量锚点）；

④ 设计（门控）——仅在用户给出具体需求后，结合 DIO 创新方法论进入解决层；Step4 之前禁止凭空"出设计"。

对应案例的 RAG：结构化外部知识库 references/KEB.json + keb.py analyze 先查后答，降事实幻觉至 <2% 量级。

• 解决层（怎么解决） = 0b 方法路由 + 0c 收敛 + D/I/O 闭环。对应案例的 Agentic Engineering：大脑（DIO）做理解与决策，凡涉及数值必调用外部计算器（references/外部引擎注册表.md 的 CALC-01~03），杜绝"幻觉物理"。
• 顺序：学习层先于解决层（先有知识准备再解题）；但 0a 不门控发散，解决层也可独立运行。RAG 只解决"懂事实"，Agentic Engineering 解决"算对物理"——二者叠加仍须真实需求定义与选型验证才谈得上工程化。

阶段0：无边界发散（V4.1 新增 · 想象居所）

落实用户对"先无边界思考、再规则收敛"的要求。本阶段不做任何域限定，目的是保住想象力与扩展性，避免被索引覆盖过早收敛。

1. 自由 frame：重述问题，剥离预设的学科/行业/方法假设。
2. 类比与跨域联想：主动做"其他领域怎么解决同类问题"的狂想（不依赖 KEB，可自由跳跃）。
3. 创意发散：动用 TRIZ 40 原理 / 科学效应库等结构化发散引擎（详见 P6 定向发散协议），产出 N 个候选方向（含非常规方向）。
4. 产出：一份"发散候选清单"——纯创意，未做任何收敛。

本阶段与 0a/0b 均无先后门控关系；它只是把"无边界思考"显式化为 DIO 流程的第一动作。

阶段0a：知识引子（并行 · 非前置门控）

落实用户要求 1——"先建各学科/行业知识经验库，再做相关性分析，为解决问题做准备"。但 0a 是"并行供给"而非"前置门"：它只负责把已积累的学科/行业/经验知识拉入上下文作输入增强，永不阻塞解题，也不限定发散范围。

1. 解析问题：抽取实体/关键词/约束/目标，识别矛盾/资源/质量信号。
2. 知识域映射（top-N）：将问题映射到 top-N 学科域（references/学科知识域索引.md）与 top-N 行业域（references/行业知识域索引.md）。
3. KEB 检索 + 相关性打分 + DOMAIN-GAP 探测（V12.0.0 吸收 dev-expert「DOMAIN-GAP 自进化」）：调用 scripts/keb.py analyze 按 score(K,P) 检索相关知识（概念/模型/历史案例/监管/坑），生成【问题上下文简报】；检索到的条目若带 linked_calculators（如 CALC-01~03），是解决层进入 D/I/O 闭环时必须调用的计算器线索。同时触发 detect 三态判定：
   • COVERED：命中学科/行业/方法条目充分 → 照常供给，无需动作；
   • GAP：问题触及知识库完全空白领域（新兴行业/交叉学科零命中）→ 标记 DOMAIN-GAP，按【知识补全指令】双轨回填并记入 KEB 缺口（keb.py gaps 可见）；
   • UNSURE：命中边缘/相关性弱（score 偏低）→ 降级标注「可能相关、待验证」，不强行套用。

长出新领域判据（自进化）：若连续 ≥2 个独立任务命中同一 GAP 领域 → 在 references/学科知识域索引.md/行业知识域索引.md 补该领域槽位（命名+核心概念占位+待补锚点），使 DIO 下次自动具备该域骨架（非仅单次补救）。

1. 补全指令（双轨 · 详见 §二相关与 references/知识经验库_KEB.md）：主动预填不足或解题时命中空白槽位 → 输出【知识补全指令】（多源：web/journal/conference/magazine/video），由用户/Connector 抓取回填。
2. 交付：将简报作为"已知知识输入"送入 0c 收敛（及后续 D/I/O 闭环），仅作增强，不否决发散候选。

详细步骤/打分公式/简报模板见 references/相关性分析_工作流.md；KEB schema 与"主动预填 + 被动补缺"双轨协议见 references/知识经验库_KEB.md。

阶段0b：方法路由（并行 · 原 Step 1）

与 0a 平行的另一条供给通道：提供 D/I/O 结构化方法透镜。不依赖 0a 先跑，可与 0a 同时发生。

根据问题描述判断进入哪个域：

• 涉及矛盾（改善A→恶化B）→ 突破域（TRIZ）
  • 同一参数相反需求 → 物理矛盾 → 分离原理（Separation Principles）
  • 不同参数冲突 → 技术矛盾（Technical Contradiction）→ 矛盾矩阵（Contradiction Matrix）
• 涉及资源约束下最优 → 优化域（运筹学）
• 涉及质量偏离/过程不稳定 → 诊断域（质量管理）
• 复合问题 → DIO全闭环

澄清门控（V12.0.0 吸收 dev-expert「澄清门控」）：路由前若用户目标含模糊形容词（"更好""更快""更稳定""尽量优"），须先转译为可验收口径再路由，禁止拿形容词直接当判据：

• "更快" → 量化指标（响应<2s / 吞吐+30%）+ 测量方式；
• "更稳定" → 过程能力（Cpk≥1.33）/ 故障率（<0.1%）/ 控制图判稳规则；
• "更优" → 明确目标函数（成本↓ / 质量↑ / 交期↓）与权重。

仅当无法在不打断用户的前提下安全假设时，才用 AskUserQuestion 抛「缺什么、为什么必须由您定」（见 S6/档2）；多数情况用合理默认+显式标注假设即可，不强制打断。

阶段0c：规则收敛（V4.1 新增 · 独立元步）

把"发散创意(0) + 知识上下文(0a) + 方法结构(0b)"按规则收敛成可执行候选集，再进入 D/I/O 闭环做实。这是唯一的"收敛"动作，且收在最后——正是用户要的"先发散、再以规则收敛"。

收敛规则（可按问题体裁加权，初值建议）：

• R1 相关性：是否触达问题核心学科/行业（KEB 简报命中）？
• R2 可行性：资源/技术/时间是否可达（结合 P4 参数化建模）？
• R3 创新度：是否跳出常识、含非常规方向（来自阶段0 发散）？
• R4 收敛产出：形成 Top-K 候选（含至少 1 个非常规方向），每个标注 【矛盾/问题识别】→【推荐方法/原理】→【可行性】→【验证计划】，送入 D/I/O 闭环。
• R0 澄清前置（V12.0.0 吸收 dev-expert「澄清门控」）：进入收敛前，确认所有候选的目标词均已转为可验收口径（见 0b 澄清门控）；仍含模糊形容词（"更好/更稳/更优"）的候选须退回 0b 重译，禁止带未定义形容词进入 D/I/O 闭环。

Step 2：域内执行

按对应域的方法级速查表执行具体步骤。新手建议先阅读文末"端到端实战案例"跟随一遍。

Step 3：跨域桥接

遇到域内瓶颈时，通过10个桥接节点切换域：

Step 4：闭环迭代

将本轮输出作为下一轮输入，循环执行 D→I→O→D 直至问题解决。每轮产出应包含：矛盾/问题识别 → 推荐方法/原理 → 可行方案 → 验证计划（诚实说明置信度与局限）。

能力边界定义

TL;DR：用 C1 系统可识别 / C2 方向可定义 / C3 有约束或矛盾 三条准则判定；三满足即适用，P1–P6 协议把六类"疑似不适用"也纳入。

边界判定准则（优先级高于场景清单）

场景清单永远列不全，且容易把"没想清楚怎么用"误判为"用不了"。因此边界判定以下列三条准则为准：

三条同时满足 → DIO 适用。缺任意一条 → 属于真实边界（见文末）。

适用场景（正面边界）

扩展适用场景与适配协议

以下场景常被误判为不适用，实际上通过对应的适配协议均可纳入 DIO 处理范围。遇到这些场景时，不要拒绝，直接启用协议。

核心认知：DIO 的闭环终点是"用户拿到想要的最终结果"，不是"分析完成"。上表每一行的"最终交付物"都必须在跑完 诊断→创新→优化 闭环后真实产出——DIO 要么凭自身工具访问能力直接执行（Self-Delivery），要么调用其他 Skill/资源执行（External Invocation），详见 P7 交付桥接协议。

P1 软件工程域映射协议

软件问题不是新问题，只是换了载体。按下表映射到 DIO 三域：

交付认定（关键）：代码不是"执行"而是 DIO 的最终交付物之一。调试有清晰好坏方向（能跑 vs 崩溃、达标 vs 不达标），C2 满足。DIO 经 诊断(根因)→创新(改法)→优化(实现选型) 闭环后，直接产出修复代码或实现方案——凭自身工具访问能力写出（Self-Delivery，见 P7 通路一），或调用编码类技能产出（P7 通路二），再用测试/SPC 回灌验证。具体语法编写由 DIO 自身或编码技能完成，不影响方法论闭环。

根因调试硬闭环（P1 增补 · V12.0.0 吸收 dev-expert 纪律）：当 DIO 经 P7 交付代码修复时，必须走"复现→假设→只修根因→回归留仓"硬闭环，禁用症状修补：

• 复现：先稳定复现失败（命令/输入/输出可重放），无复现的修复不闭环；
• 假设列表：列出 ≥2 个候选根因假设，不凭首个直觉定案；
• 只修根因：修复针对根因而非表象；同型失败须转为回归测试留仓；
• 禁止：以"看起来像"替代复现、以补丁掩盖根因、跳过回归即交付。

该闭环与诊断域(鱼骨/5Why)互补——DIO 做方法论定位，代码级复现与回归交由 P7 桥调用的编码技能（如 dev-expert）承载。

P2 领域知识注入协议

DIO 提供方法论骨架，行业知识作为输入参数注入，而非前置门槛。执行步骤：

1. 声明知识缺口 → 明确列出需要哪些行业参数（如"审评时限""合规阈值"）
2. 设符号占位 → 用变量建模（如 T_review、C_limit），不因缺值停止建模
3. 请求填数或区间 → 精确值给不出时，给出取值区间同样可分析
4. 输出解族 → "若参数落在X区间，最优解为A；落在Y区间，最优解为B"
5. 标注置信度 → [注：行业参数由用户提供，方法论部分置信度高，参数准确性由用户负责]

核心原则：把知识缺口显式化为模型输入，而不是当作拒绝理由。

P3 软性问题量化协议

适用于团队协作、组织效率、沟通流程、激励机制等"软性"议题。

量化手段：

典型软性矛盾的 TRIZ 解法：

协议边界：纯个体情绪（"我今天很难过"）不满足 C1——系统内不存在可调参数，此时应倾听而非套方法论。

P4 参数化建模协议（数据后置）

关键认知纠正：数据缺失不是 DIO 的障碍，而是它的标准工况——灵敏度分析、影子价格、鲁棒优化都是专为数据不确定设计的。

1. 先建模 → 定义决策变量、约束条件、目标函数，暂不填数值
2. 符号求解 → 给出解的表达式，如 x* = f(a, b, c)
3. 情景分析 → 代入 2-3 组典型参数（乐观/基准/悲观），给出对应解
4. 灵敏度分析 → 指出哪个参数变化对结果影响最大（影子价格排序）
5. 交付决策规则 → 输出"若需求>500件则开第二产线，否则加班"这类可执行规则

输出的是"决策规则"而非"决策答案"——用户拿到实时数据后直接套规则即可，无需重新分析。

P5 复杂度自适应协议（DIO-Lite）

不因"问题简单"而拒绝，只降档不拒绝。V12.0.0 起细化为四档 + 加载经济（吸收 dev-expert「档位→最小执行集」），原 L1/L2/L3 三档归并为以下四档：

安全闸门优先：命中生产配置 / 写库 / 权限 / 凭证 / 隐私 / 不可回滚 → 无论判定为何，强制按复杂档执行。加载经济（防上下文爆炸）：单轮协同 reference ≤3（强制加载集如本文件/KEB 不计）；命中多域只载首选 + 直接协同，禁"以防万一"预载整张路由表；发现已载 >3 而任务实为单文件 → 只留首选。自动判定规则（不询问用户）：

IF 安全闸门命中                              → 复杂
ELSE IF 问题只有1变量且无约束且非安全       → 轻量
ELSE IF 问题落在单一域且约束数<3 且非安全   → 常规
ELSE IF ≥10文件 或 ≥500行新增               → 大项目
ELSE                                       → 复杂

为什么不能一刀切拒绝简单问题：很多问题表面二元、实则多因素（如"要不要换供应商"看似是/否，实际涉及成本、质量、交期、风险四维权衡）。降档机制保证既不浪费也不漏判；四档 + 加载经济则保证复杂任务不被轻量档漏判、长任务不被单轮撑爆。

P6 定向发散协议（TRIZ 作为创意引擎）

关键认知纠正：TRIZ 不是收敛工具。40 个发明原理 + F1–F30 科学效应库本身就是结构化发散引擎，且比自由头脑风暴更能突破心理惯性。

发散模式执行步骤：

1. 定义功能需求 → 描述"要实现什么功能"，而非"要做什么产品"
2. 遍历 40 原理 → 逐个追问"用这个原理如何实现该功能"，强制产出多方向
3. 查科学效应库 → F1-F30 提供跨领域物理/化学效应，触发领域外联想
4. 功能导向搜寻(FOS) → 检索其他行业如何解决同类功能
5. 收敛排序 → 用 IFR 理想度公式打分，用运筹模型评估落地可行性

与自由头脑风暴的对比：

P7 交付桥接协议（让闭环终点 = 用户想要的最终结果）

为什么必须有这一条：P1–P6 解决了"DIO 能不能分析这类问题"，但没解决"DIO 能不能交付用户要的结果"。用户的诉求是拿到最终物（修好的代码、可执行方案、最优决策），不是一份分析建议。P7 把 DIO 从"顾问"升级为"总设计师 + 验证者"——闭环必须落到交付物。

两步判定（自动走，不询问用户）：

Q1: 本次 DIO 的分析输出本身是否就是用户要的最终结果？
      YES → 直接交付（如决策建议、量化方案、创意清单），闭环结束
      NO  → 进入 Q2
Q2: DIO 能否凭自身工具访问能力直接产出该交付物？
      YES → 通路一：直接执行（Self-Delivery）
      NO  → 通路二：调用外部 Skill / 资源（External Invocation）

通路一 · 直接执行（Self-Delivery）DIO 作为具备工具访问能力的智能体（可写文件 / 跑代码 / 调 API），在下列情形自己完成最终交付：

• 修复/编写代码（P1）→ 调用 Bash / Write 写出修复后代码与单元测试，再跑测试回灌验证
• 求解模型（P4 / P5）→ 调用 Python（scipy.optimize / pulp）跑出最优解数值与灵敏度
• 生成方案/计划/报告（P3 / P5 / P6）→ 直接输出结构化文档（RACI 表、会议机制、创意排序）

通路二 · 外部技能/资源调用（External Invocation）当最终物需要 DIO 不具备的专业能力（特定领域数据、专用工具链、可视化渲染、语料/图片生成等）时，显式调用对应 Skill / Agent / 资源，并严格走三段式交接：

1. 传入方案 → 把 DIO 已确定的方案作为"规格"交给外部技能
              （如 P2 行业咨询：传入"目标函数 + 约束 + 待填参数清单"给领域技能）
2. 收回结果 → 取回外部技能产出的中间/最终结果
3. 回灌验证 → 用 DIO 的方法检验该结果是否达成闭环目标
              （如 P4 实时数据：收回数据后跑灵敏度分析，验证决策稳健）

• 可用调用手段（WorkBuddy 运行环境）：Skill 工具加载领域技能、Agent 工具派生子智能体、Bash / Write 执行与落盘、WebSearch / WebFetch 取实时数据。
• CAD / 3D 建模出图（P7 通路二）：当 DIO 闭环的最终交付物是物理零件/装配体的 3D 模型或 GB 工程图时，调用 solidworks-bridge 技能——它自动启动本机 SolidWorks 2025，按 DIO 已确定的结构化参数（形状/尺寸/材料/公差/出图格式）建模并导出 GB 工程图(PDF/DWG) + STEP/STL。2D 专用 DXF/DWG 出图可调用 autocad-2017-bridge。两桥均为独立工具级技能，DIO 按需 dispatch（引用/调用关系，非合并）。
• 定位：DIO 始终是"总设计师 + 验证者"，外部技能是"专业执行者"。DIO 不把问题甩出去就完事——而是带着自己已推导的方案去调用、收回结果、闭环验证。
• 轻量 CAD 五域图库能力（已内化 · 吸收 @indiv-wangjiaocheng/cad-editor 的优点）：DIO 把 cad-editor 的强项——五行业图库（建筑/机械/电气/管道/结构）+ GB/T 合规（图层 GB/T 17825 / 图框 GB/T 14689 / ACI 256 配色）+ NL→参数提取思想 + 纯 ezdxf 免许可出图——吸收为 DIO 自身的能力，已移植为自包含库 scripts/lightweight_cad/（剔除其易碎的脚本生成器、修正其 bug）。当 DIO 闭环的最终交付物是无需 CAD 许可证、跨五行业的 2D 工程图/DXF，且用户用自然语言描述时，DIO 自己直接执行 lightweight_cad 出 DXF 并渲染 PNG/SVG/PDF，不调用任何外部技能。详见 references/CAD_轻量五域图库_内化cad-editor.md 与纪律 9 / B13 桥。与 SW2025/smlibpy 重型轨互补不替代：轻量轨做"快出图/多行业/无许可"，重型轨做"真实 3D B-rep/参数化建模/FE 仿真/制造级标注"。
• 图像→DWG 反向重绘能力（已内化 · 吸收 pengxiaoan/autocad-dwg-redraw-skill 的优点）：DIO 把该技能的强项——栅格图像→可编辑 DWG/DXF 的几何重建（autocad-image-redraw）+ 已有源 DWG 的精确重建（autocad-dwg-redraw）+ 证据等级/剖面/处置状态 QA 纪律 + 可选 AutoCAD COM 真机桥 + AutoLISP 快出 + PyMuPDF 向量 PDF→DXF——吸收为 DIO 自身的能力，已移植为自包含库 scripts/image_to_dwg/（复用 lightweight_cad 的全部实体与 GB/T 合规，零运行时外部技能依赖）。当 DIO 闭环的最终交付物是"照一张参考图重绘成可编辑 DXF/DWG"（而非从零参数化画）时，DIO 自己直接执行 image_to_dwg 七步管线（preflight→提取几何→建 spec→校验→画 DXF→自检→比对→处置），不调用任何外部技能。详见 references/CAD_图像反向重绘_内化autocad_dwg_redraw.md 与纪律 10 / B14 桥。与 B13 轻量正向轨互补不替代：正向轨做"按结构化参数/模板画"，反向轨做"按参考图重建几何"——DIO 按任务性质在两条内轨间自动择路，均为自身执行（通路一）。

闭环收口（所有通路通用）：无论哪条通路，最终交付物都回到诊断域做收口验证——代码看测试/SPC、方案看 Kano/可行性、决策看灵敏度。验证通过 → DIO 闭环真正完成；不通过 → 回到 I/O 迭代。

桥接节点 B11（交付桥）：在原有 B1–B10 基础上新增 B11，将"方案"桥接到"交付物"，使闭环从"分析闭环"升级为"分析 + 交付闭环"。

交付证据门禁（P7 增补 · V12.0.0 吸收 dev-expert「无证据=未完成」）：所有通路的最终交付物必须满足"证据或标未验证"铁律——无真实证据 = 未完成：

• 证据类型（≥1 类即可）：① 命令 + 退出码 + 输出 ② 测试用例数 / 失败清单 ③ 截图 + 步骤 ④ 状态码 + Body ⑤ 实测数值（如性能/精度前后对比）；
• 禁替代：静态检查 / lint / 纯函数断言不得替代真实运行验证（有 UI/HTTP 入口的改动须真实驱动）；
• 未验证即披露：凡无法验证 / 降级处理 / 部分失败的条目，须在收尾报告「待办」显式标注状态四态之一（见统一输出规范），禁隐藏；
• 反例构造：关键算法 / 关键结论须尝试构造反例推翻（空值/边界/并发/自环等），happy-path 通过 ≠ 正确。

P8 世界模型增强协议（V6 新增 · 让 DIO 从"静态顾问"升级为"能在想象中试错的动态顾问"）

TL;DR：DIO 原有方法默认"能拿到真实数据 / 试错成本可承受"。但很多问题——物理实体设计、偶发故障、缺历史样本、试错昂贵——恰好卡在"数据拿不到、试错成本高"上。P8 用世界模型（World Model）补这一块：让 DIO 在想象中做反事实推演和虚拟试错，把诊断从"事后"变"事前"、把创新从"定性联想"变"可预测试算"、把优化从"静态求解"变"滚动决策"。

核心认知（选型关键，先记住这一条）：

世界模型 ≠ 一定要用神经网络。 对"物理规律已知"的问题（机械/机电/流体/结构），性价比最高的世界模型是白盒可微物理仿真器（Genesis / MuJoCo / Isaac Sim + 气动 XFLR5 + 强度 FEA），它们本身就是"世界的可微模型"——免费、可解释、能反推梯度、能做反事实实验。神经/抽象世界模型只在"环境动力学未知且无法解析建模"时才值得上：其中抽象预测路线（Meta 的 JEPA / V-JEPA 2，IntPhys 物理直觉 ~98%、可零样本部署到 Franka 机械臂）因数据效率与物理直觉突出，是控制/规划任务的优先抽象方案；潜在空间模型（DreamerV3/RSSM）与扩散模型（Diamond/Cosmos）则分别用于交互学习与可视化预览。否则是舍近求远、浪费算力。

世界模型四类候选速判表：

骨干选择（substrate）：Transformer 仍是主流，但 SSM/Mamba 性价比突出——DRAMA（Mamba-2）用 7M 参数达 105% 人类水平（DreamerV3 需 200M），S4WM 长时记忆更优且更省算力。P8 的"L2 推演层"若跑长程 rollout，优先考虑 Mamba/SSM 骨干或 Transformer+SSM 混合。

中国力量（2026 最活跃市场）：腾讯 HY-World 2.0（空间智能派，文本→可漫游/可编辑/可导出的 3D 世界，游戏/B 端工程落地）、阿里 Happy Oyster（原生多模态，实时可互动数字世界）、字节 Seedance 2.0（多模态联合生成，物理建模提升 >1.5 分）。据《2026 世界模型专题研究报告》，前 7 个月中国一级市场涌入 666 亿元，占赛道 91%。工程落地优先看 HY-World 2.0 这类"可编辑资产输出"路线。

行业动态（2026 更新）：OpenAI 已于 2026-04-26 关闭 Sora 消费者版/API，团队转做"机器人世界模型"；Google Genie 3 接入 Street View（2800 亿张图像）供 Waymo 仿真罕见场景；NVIDIA Cosmos 3 为"物理AI全模态 MoT（Mixture-of-Transformer）"，Edge/Nano/Super 三档；Meta V-JEPA 2.1（2026-08）在 Ego4D/EPIC-KITCHENS/机器人抓取上持续领先。（注：参数化建模 + Optuna/贝叶斯优化不是世界模型，而是 L1 优化层，见下方架构图。）

分层世界模型架构（P8 主推荐 · 2026 修正）：

┌──────────────────────────────────────────────────────┐
│ L3 概念层：DIO 方法骨架（诊断/创新/优化）                 │ ← 不变，仍是总框架
├──────────────────────────────────────────────────────┤
│ L2 推演层：世界模型（按问题选家族 + 骨干）                │ ← 性价比核心
│   物理已知   → 白盒可微仿真 Genesis/MuJoCo/Isaac         │
│   控制/规划  → JEPA / V-JEPA 2（抽象预测）              │
│   交互世界   → Transformer-token（Genie / IRIS）        │
│   动力学未知 → RSSM / DreamerV3（潜在动作预训练）       │
│   预览       → 扩散（Diamond / Cosmos）                 │
│   通用增强   + 气动 XFLR5 + 强度 FEA + SSM/Mamba 骨干可选 │
├──────────────────────────────────────────────────────┤
│ L1 执行层：参数化建模 + Optuna/贝叶斯优化（优化层，非 WM） │ ← 复用 G_V8 自进化经验
└──────────────────────────────────────────────────────┘

P8 对 D/I/O 三域的增量（逐条）：

P8 的三个硬边界（诚实声明，不可跳过）：

1. 世界模型不是免费的：对 DIO-Lite 的 L1/L2 档简单问题，建仿真模型是杀鸡用牛刀，直接降档跳过 P8。
2. 模型误差会累积：想象推演若偏离真实环境会得错误方案，必须由 DIO 现有回灌验证（SPC / DOE / 试飞闭环）兜底，P8 永远不替代真实验证。
3. P8 补的是"执行层"，不替代"方法层"：DIO 的诊断/创新/优化方法骨架仍然有效，世界模型只是让它在"缺数据、高试错成本"场景下也能运转的新工具。

P8 的世界模型验证阶梯（V&V Ladder · 2025–2026 共识升级）：

2026 年领域共识已从"感知指标"转向"物理/可行动"评估。一条世界模型是否合格，不看它画面多逼真，而看它多可靠地支持反事实推理、约束满足、长程交互——这与 P8 既有的"回灌验证 / 发散守卫 / 诚实边界"哲学完全一致，现形式化为五维验证阶梯（由低到高）：

硬性声明：任何世界模型推演结果，必须至少通过 L1（物理一致性）才能进入 DIO 的方案候选；通过 L3（闭环验证）才算完成一次完整 P8 迭代。L0 逼真度再高也不能豁免 L1/L3——实证显示许多视觉逼真模型在"因果一致性可执行"上掉到近 0%（"Wow, Where, Val!" 基准）。

P8 的不确定性交接纪律（Uncertainty Handoff · 2026 核心辩论）：

2026 年的核心辩论（LeCun 的 JEPA vs Xing 的生成式守护）归结为一个工程问题："预测分布在哪？规划器看得到吗？" 这对工程 AI 至关重要——真实物理结果是分布（制造公差、湍流、材料离散），不是单条轨迹。

纪律：凡 P8 要把推演结果喂给 B12 桥 / 优化器 / 规划器，必须先确认预测分布可见（用 RSSM 类，或对白盒仿真外挂蒙特卡洛扫掠）；禁止把单点确定性轨迹当"唯一未来"——这正是 P8 硬边界 2"误差累积"的深层来源，须以分布而非单点兜底。

P8 的 rollout 误差校正与仿真到现实纪律（Error Correction & Sim-to-Real）：

扁平世界模型有三大固有失败模式：噪声敏感、误差累积、弱推理（graph-world-model 综述 2026）。长程推演若不校正，复合误差会让"想象"偏离现实。

• rollout 内校正（四类机制，按性价比选用）：① 拓扑量化 + 网格吸附（Global Neural World Model）——把隐状态离散到网格并 snap，作为原生误差校正，防流形漂移；② 隐空间 overshooting（PlaNet/Dreamer）——训练时多步预测，缩短单步误差暴露窗口；③ 层级预测（HWM/FF-JEPA）——粗层大步、细层小步，缩短有效 horizon、跨层纠正；④ 滑动窗口扩散（Diamond / Causal Swin-DPM）——相邻窗口耦合，误差被平滑而非跨块累积。
• 仿真到现实鸿沟（量化，来自 2026 具身综述）：纯仿真训练的模型部署到真机成功率通常 仅 40%；叠加 domain randomization 提升到 ~60%；再叠加 100 条真机数据微调 可达 ~85%。根因三：物理引擎简化假设 / 传感器噪声 / 执行器动力学误差。
• P8 硬纪律：神经世界模型（尤其长程）推演结果，必须经 DIO 既有回灌验证（SPC/DOE/试飞闭环）兜底；白盒仿真须用 domain randomization + 蒙特卡洛鲁棒扫掠暴露边界。误差累积不可靠时，降级回 P4 符号解 + 真实采样，绝不伪造收敛。

P8 自动判定（不询问用户）：

IF 问题物理规律可解析建模（机械/机电/流体/结构/机器人） → 白盒可微仿真器（首选，L2 物理已知行）
ELIF 控制/规划任务、追求数据效率与物理直觉          → JEPA / V-JEPA 2 抽象预测（L2 抽象行）
ELIF 环境动力学未知，但有大量观测视频（无/少动作标注）→ 潜在动作预训练世界模型（AdaWorld/CoLA-World/Olaf-World/SWIRL），从纯观测桥接 ← 新增中间路径
ELIF 环境动力学未知且需交互学习（游戏/具身操作）    → 潜空间世界模型 DreamerV3/RSSM
ELIF 只需可视化预览、物理精度可牺牲                → 扩散世界模型（仅预览，不喂规划器）
ELSE（简单/单变量/无约束）                        → 跳过 P8，直接 L1/L2 档

潜在动作预训练（软化神经 WM 门槛的关键）：2025–2026 研究（AdaWorld、CoLA-World、Latent Action World Models、Olaf-World、SWIRL、Motus）证明——从纯观测视频（无动作标注，如 Ego4D）即可做潜在动作预训练，桥接"动作无关"与"动作条件"训练，用极少量动作标注数据即达 SOTA。这软化了原 P8"神经 WM 需单卡 A100 数天 + 大量交互数据"的严苛门槛：当物理不可解析建模、又缺动作数据时，可走"潜在动作预训练"这一白盒仿真与完整 DreamerV3 之间的中间路径，而非直接放弃或硬上重负载训练。

P8 与既有协议的关系：P8 是 P4（参数化建模）的向上扩展——P4 解决"数据后置的符号求解"，P8 进一步解决"连动力学模型都要在想象中建立的试错"。两者叠加时：先 P8 建世界模型做反事实/虚拟试错，再 P4 做符号解 + 灵敏度，最后 P7 交付真实物并回灌验证。

桥接节点 B12（世界模型桥）：在 B11 基础上新增 B12，把"方案/参数"桥接到"白盒仿真器 / JEPA 抽象预测 / 神经世界模型"做虚拟试错——DIO 从"靠真实数据迭代"升级为"想象中试错 + 真实中验证"。

B12 的可运行实现：scripts/world_model.py 即 B12 桥的最小可运行样本——它把 V7 算出的"变形金刚"构型参数桥接到白盒垂降仿真 + RSSM 式潜在模型，产出反事实/不确定性结论，再经 hardware_loop.py 回灌验证。调用：python scripts/world_model.py --self-test（自检）/ --whatif（反事实）/ --mc（不确定性分布）。注意：B12 永远不替代真实验证（硬边界 2），推演结果须经 P7 交付 + 回灌闭环兜底。

P8 的两种工作模式（WM-as-Supplier & Self-Evolving）：

2026 年的两个范式演进，恰好与 DIO 已有的 P7 交付桥、B12、以及"自我进化闭环 + 经验账本 E####"同构，应显式桥接：

• 模式 A — 世界模型作"供给者"（WM-as-Supplier，呼应 WAM/π0.7）：世界模型不替代优化器/策略，而是把"想象中的未来帧/状态"喂给下游策略或规划器当上下文（如 π0.7 把 WM 生成的未来帧注入机器人策略）。在 DIO 中表现为：B12 桥把白盒/JEPA 推演出的候选未来，作为 P7 交付物或 O 域规划器的输入，而非 DIO 自己"变成"世界模型。
• 模式 B — 自进化世界模型 ↔ 经验账本（Self-Evolving WM）：2026 研究（Self-Improving World Modelling with Latent Actions / Co-Evolving Latent Action WMs）证明世界模型能从自身 rollout 自改进。DIO 的外部经验账本（KEB + E####）正是"真实交互数据"的来源——每次 P8 推演→真实回灌（SPC/DOE/试飞）的结果，按 S9 写入账本，下一次同类问题即可用"已校准的世界模型参数"直接起推，跳过冷启动。这是 DIO 自我进化闭环与世界模型学习循环的天然融合点。

P8 的可运行组件（world_model.py · 真功能，非纯文档）：

本版不止于方法论升级——下方给出可立即运行的 P8 世界模型组件 scripts/world_model.py（纯标准库，无 torch/numpy 依赖，契合 v10.2.2 低成本/免费模型协议），领域刻意对齐"变形金刚"项目的垂降段（与 V7 的 structure_mass_estimator.py 共用同一架机构型与物理常数，二者可串成闭环）。它把上文 O1–O6 的抽象纪律落成可核验代码：

• 与 V7 的闭环衔接：structure_mass_estimator.py 给"变形金刚"算 MTOW/分项质量与翼载 → 这些量作为 world_model.py 的初值/约束，进白盒垂降推演 → 反事实/不确定性结论回灌 V7。这正是 B12 桥（见下）"想象中试错 + 真实中验证"的最小可运行样本。
• 诚实边界（自测末尾自动打印）：本脚本为 1-DOF 垂降演示模型，非 6-DOF 认证仿真器；真实部署须经 hardware_loop.py 真机回灌验证，绝不伪造收敛。

确定性物理引擎（V7 新增 · 物理规则驱动工程 AI 的地基）

TL;DR：V6 的 P8 解决了"世界模型选型"（物理已知→白盒仿真，未知→神经世界模型）。V7 进一步把历史验证过的第一性物理链 + 裁定框架 + TRIZ 方法论，从"每次手工调用"固化成了可复用、确定性、带发散守卫的算法资产（DNA）。这是 dio-consultant 从"方法论顾问"迈向"物理规则驱动工程 AI"（借鉴 Noyron）的第一块落地基石。

V7.1 三层架构（L3 决策 / L2 推演 / L1 参数化）

呼应 Noyron"高层决策不碰几何"的分层原则：决策层与几何层解耦，通过物理中间量衔接。

串联闭环（DIO 映射）：D 诊断（识别矛盾）→ I 创新（L3 裁决分离原理）→ O 优化（L1 量化质量代价 + L2 裁定最优拓扑）。三算法器已用「六边形战士」端到端验证：独立推导出的方案（滑跑助推起降 + 三系统架构 + 轮腿合一 + T3 拓扑）与历史 R4 收敛结论完全一致。

V7.2 四纪律（三算法器共同遵守，也是后续所有算法资产的门禁）

V7.3 关键方法论固化（本轮踩坑后确认的精确含义）

1. 结构质量必须是「固定输入常量」，不是 ∝M 比例：m=0.12×M（负反馈压小）或 m=系数×M×g（正反馈爆炸）都会让质量迭代失控。正确做法：结构质量由外部结构需求（腿长/越障/关节力矩）决定，作为常量参与求和，不随 M 迭代反馈。
2. 判定指标方向要分清：安全裕度是"越大越优"，失稳比/波动是"越小越优"，归一化必须分方向，否则裁定结果颠倒。
3. 质量先于几何：质量是输入、几何是输出，顺序不能反（历史 796kg 失控 = 先堆几何后算质量）。

V10 四层技术栈（物理规则驱动工程 AI 的完整架构 · 愿景终点）

TL;DR：V10 把 V7（三算法器）、V8（几何地基 + 反馈闭环）、V9（端到端管线 + 制造约束）整合为完整四层技术栈，逐层映射 Noyron 的架构，宣告 dio-consultant 从"方法论顾问"进化为「物理规则驱动工程 AI」。全部 8 个模块遵守四纪律，构成可复用、确定性、带发散守卫的算法资产库（DNA）。

V10.1 四层技术栈全景（Noyron 映射）

四层协同的完整 DIO 闭环：需求（高层规格）→ L3 矛盾裁决（分离原理）→ L2 质量反算 + 拓扑裁定（质量先于几何）→ L1 体素几何校验 → 制造约束可制造性检查 → 反馈闭环实测回灌自动校准。dio_pipeline.py 把全链路自动串联，任一步 FAIL 短路，用六边形战士案例跑通并独立复现 R4 收敛结论。

V10.2 进化对照（顾问 → 工程 AI）

V10.3 与 Noyron 的诚实对照

诚实结论：V10 已在架构上对齐 Noyron 的"物理规则驱动工程 AI"范式（确定性引擎 + 四层栈 + 反馈闭环），但在工业级深度（几何内核完整性、制造约束广度、真实硬件闭环）仍有差距。这是渐进式落地的正确阶段——V10 证明范式可行，后续深度需在具体项目中逐步积累（正如 Noyron 从 5kN 发动机一步步做到 2000kN）。

V10.4 整体验证（v10_validation.py）

scripts/v10_validation.py 跑完整闭环 + 四纪律 + 愿景达成 6 项验收（确定性物理引擎 / 质量先于几何 / 可验证性能预测 / 反馈闭环 / 制造约束 / 分层解耦），全部通过，宣告进化完成。

自动化执行纪律（DIO 落地交付的硬工程经验）

TL;DR：DIO 闭环终点是"用户拿到最终物"。当交付物是自主 CAD 出图或重负载本地程序调用时，光有方法论不够——必须带三条工程纪律，否则会卡在"视图溢出 / 重复视图 / 内存崩溃"等反复失败的坑里。以下经验来自 park_tent 8 零件 SolidWorks 出图实战（外部账本 E0005/E0006）。

纪律 1：自主 CAD 出图模板法（回应"逐页逐字学机械制图"）

用户曾批判"AI 没学过机械制图基本功，画图老溢出"。落地解法不是调参数，而是回到制图原点思路：

1. 原点锚定：以模板(图框)左下角为绘图原点 (0,0)
2. 比例决策：按 [模板可用区尺寸 / 实物包围盒尺寸] 选"最大标准比例 ≤ 比值"
            （如 A3 横向可用 385×222mm，地钉 20.7×149.9mm → 1:1）
3. 三视图排布：第一角投影——前视@(0,0)、上视在前视正上、左视在前视正右
4. 关键点定位：用包围盒最高/最低/最左/最右点相对原点确定整体位置，留装配余量
5. 硬断言：导出前用 GetOutline 归一化 (L,B,R,T)，断言所有视图在可用区内(容差 2mm)
            任一视图越界 → 重算比例/位置，绝不带病交付

关键洞见：视图"左/上溢出"的根因几乎都是锚点选错 + 比例未对齐模板，而非单个尺寸标错。回到"原点 + 标准比例 + 三视图规则 + 硬断言"四步，可根除反复 N 次修不好的溢出。

纪律 2：COM API 不可靠时的 fallback 纪律

本机 SW 2025 的 gen_py 早绑定类型库桩损坏（ForceRebuild2/SetPosition2/DeleteView/Select 均报 has no attribute），导致"事后移动视图""删除视图"全部失效。落地 fallback：

• 创建时定位，不事后移动：视图位置在 CreateDrawViewFromModelView3(model, vname, x, y, scale) 创建参数里直接给准，其坐标可靠生效；事后 SetPosition2 在本机是静默空转（打印的是设定值非生效值）。
• 删除失败 → 页面外临时视图：若需先建临时视图测量再重建，把临时视图建在页面外 (−1,−1)m——PDF/图纸导出天然不含页面外内容，绕开"删除 API 失效 → 中心残留孤儿视图 → PDF 出现重复重叠视图"的死结。
• 验证纪律（诚实闭环）：出图类交付必带客观判据 + 视觉确认——用 PyMuPDF 计算矢量图元数 / 非白像素比确认"有内容且未溢出"，再肉眼核对渲染 PNG（确认无重复视图、无左/上溢出），两者皆过才宣布完成。

纪律 3：资源预释放（TRIZ #11 预先应急 / #10 预操作）

重负载本地程序（如 SW COM 自动出图）会瞬间吃满内存，触发"内存不足、继续可能崩溃"。与其崩溃后补救，用 TRIZ 预操作 / 预先应急 在启动前先腾资源：

前置(启动重负载前)：
  用 ctypes.GlobalMemoryStatusEx 读物理内存占用率
  if 占用率 ≥ 80%：
      按白名单关闭"当下不必要"的进程(浏览器/媒体/云同步/聊天)
      记入临时 JSON
重负载执行...
finally(无论成功失败)：
  按记录恢复被关闭的应用

安全铁律（绝不误杀）：PROTECTED_NAMES(系统关键) + SW_NAMES(出图必需) + WORKBUDDY_HOST(关闭会终止 agent 自身) + 当前 Python 进程树——全部硬保护，绝不出现在关闭清单。真正可释放的是其他重型应用（浏览器等）；WorkBuddy 桌面端(Electron)不受 guard 影响，会话视图保持。

纪律 4：工程物理建模纪律（固定点/迭代模型 + 耦合参数 + DECIDED 修正目标）

TF-1 实战（外部账本 E0021）沉淀的三条硬纪律，凡涉及"物理仿真/固定点迭代/质量-性能耦合"的 DIO 任务必带：

1. 发散守卫（不伪造数值）：固定点/迭代求解（如能源螺旋 MTOW 模型）必须加收敛守卫——结构质量 > S_max 悬崖时返回 None/FAIL 并报告"物理无解"，绝不静默兜底一个虚假达标值，也绝不崩溃。None 本身就是正确物理结论（当前设计不达标），不是 bug。
2. 耦合参数并列管控：MTOW 类指标由"结构质量 × 电池比能 × 电机功率密度"共同决定，轻量化 alone 不够。凡减重换来的裕度，须同步标注电池 SE/电机 SP 的敏感性边界（如 180Wh/kg 即击穿达标线）——把耦合项列为与轻量化并列的管控项。
3. DECIDED 修正目标纪律：当字面目标物理不可能（如 ≤16kg 被 7.7kg 绝对地板否定），DIO 应先诊断不可能性（给出物理地板/发散悬崖），再提议可达成修正目标并获用户确认（DECIDED 印章），绝不回避矛盾也不编造达标。修正目标须写进交付物与记忆。

关键洞见：工程物理问题的"结论"往往不是某个方案，而是一条可达/不可达的边界线（S_max 悬崖、ABS 地板、SE 阈值）。DIO 的价值在于把模糊的"飞不起来"翻译成可量化的边界，再在边界内给出最优解。

纪律 9：DIO 轻量 CAD 五域图库能力（内化 @indiv-wangjiaocheng/cad-editor 的优点）

TL;DR：DIO 既有 CAD 重轨（SW2025 / smlibpy / mfg-level-engineering-drawing / autocad-2017-bridge）强在真实 3D / 参数化 / 制造级标注 / FE 仿真，但都需 CAD 许可或复杂环境，且偏机械、缺建筑/电气/管道/结构图库。cad-editor 的优点（五行业图库 + GB/T 合规 + NL→参数提取 + 纯 ezdxf 免许可出图）已被内化为 DIO 自己的能力——移植为自包含库 scripts/lightweight_cad/（剔除其易碎的脚本生成器、修正其 bug）。DIO 自身即可直接出五行业 2D 工程图，不再需要调用任何外部技能。

DIO 内化的能力（即 cad-editor 被吸收的优点）：

1. 五行业图库（⭐ 主要价值）：architectural（墙/门/窗/柱/楼梯/阳台）、mechanical（螺栓/齿轮/轴承/弹簧/垫圈/螺母/销/键槽）、electrical（开关/插座/灯具/导线/配电箱/断路器）、piping（直管/弯头/三通/阀门/法兰/大小头/管帽）、structural（梁断面/楼板配筋/条基/独立基础）——见 scripts/lightweight_cad/templates/。
2. GB/T 合规内置：图层（GB/T 17825 五行业预设，layer.py）、图框/标题栏（GB/T 14689，paperspace.py）、ACI 256 配色、行业材料填充（hatch.py）。
3. NL→参数提取思想：references/CAD_轻量五域图库_内化cad-editor.md §3 记载了 cad-editor 的 IntentClassifier（加权正则 + 领域兜底）与 ParamExtractor（按域正则提取尺寸/数量/方向/规格）思路，DIO 用作自己的 NL 路由方法（不依赖其实现）。
4. 纯 ezdxf 管线 + 自含渲染：document.py / renderer.py（DXF→PNG/SVG/PDF，matplotlib，且修复了原 cad-editor 的"PNG 中文方块"缺陷——自动回退 CJK 字体）。

如何使用（DIO 自己执行，不派发）：

import sys
sys.path.insert(0, "<DIO技能>/scripts")
from lightweight_cad import (CADDocument, Renderer, LayerManager, PaperSpace,
    ArchitecturalTemplates, MechanicalTemplates, StructuralTemplates, ...)
doc = CADDocument.new('R2010','mm'); msp = doc.modelspace()
LayerManager(doc).setup_template('mech')          # 按行业选 'arch'/'mech'/'elec'/'piping'/'struct'
MechanicalTemplates.bolt_top_view(msp, (0,0), 16, 'hex')
PaperSpace.draw_title_block(msp, (0,0), 'A3', title='...')
CADDocument.save(doc, 'out.dxf'); Renderer.render(doc, 'out.png')

与 DIO 纪律的衔接（收口不降档）：轻量轨产出的 DXF 仍须过 纪律 1（原点+标准比例+三视图+越界硬断言）+ 纪律 5.1（越框/标注重叠 fail-fast）+ 纪律 7（生产流水线门禁：渲染健全性/隔离分流/批量重试）。即：DIO 内部轻量轨负责"快出合规底图"，纪律 1/5.1/7 负责"越框/标注/批产门禁收口"。

来源与溯源（非运行依赖）：scripts/lightweight_cad/ 内化自 SkillHub @indiv-wangjiaocheng/cad-editor v1.0.6 的干净模块；已剔除其 ScriptGenerator（建筑门/窗双缩进、结构模板签名脱节、生成脚本 __file__ 路径假设）并修正 foundation_strip/bearing 等 bug。cad-editor 仅作为设计溯源，DIO 运行时不依赖它安装与否——这是"内化优点"而非"调用技能"。

桥接节点 B13（轻量 CAD 桥，DIO 内部）：在 B11（交付桥）/B12（世界模型桥）基础上新增 B13——把"NL 制图需求 / 结构化图元参数"桥接到 DIO 自身的 lightweight_cad 五域制图能力（已内化），与 B12（重型 SW2025/smlibpy）并列：前者补"多行业/免许可/快出图"，后者补"真实 3D/参数化/仿真"。详细 playbook（正确调用签名、调度分工、GB 合规、已知 bug 与规避）见 references/CAD_轻量五域图库_内化cad-editor.md。

纪律 10：DIO 图像→DWG 反向重绘能力（内化 pengxiaoan/autocad-dwg-redraw-skill 的优点）

TL;DR：DIO 的 B13 轻量轨只能"按结构化参数/模板正向画"。当用户给的是一张参考图（栅格/PDF）要照着重绘成可编辑 DWG/DXF时，正向轨用不上。pengxiaoan/autocad-dwg-redraw-skill 的强项（图像→几何重建 + 证据等级/剖面/处置状态 QA 纪律 + 可选 AutoCAD COM 真机桥 + AutoLISP 快出 + 向量 PDF→DXF）已被内化为 DIO 自己的能力——移植为自包含库 scripts/image_to_dwg/，复用 lightweight_cad 的全部实体与 GB/T 合规（反向重建的几何与正向模板几何走同一套 ezdxf 实体，天然继承合规/图层/字体回退）。DIO 自身即可照图反绘，不再需要调用任何外部技能。

DIO 内化的能力（即该技能被吸收的优点）：

1. 栅格→几何重建（⭐ 主要价值，代际差距项）：autocad-image-redraw 的"栅格摄入→几何基元（直线/圆/多边形）+ 标定 + DXF 输出"——见 scripts/image_to_dwg/cv_extract.py（OpenCV 可用时 Canny+Hough+findContours；OpenCV 缺失时 numpy 退化路径，发单矩形并标 inferred/needs_review，不静默伪造）。
2. 证据等级纪律（与 DIO 诚实闭环同构）：core.py 的 EvidenceLevel（KNOWN/SCALED/INFERRED/UNREADABLE）——像素相似≠物理精度；有标定(pixels_per_unit)才 SCALED，否则 unitless+INFERRED；无 OCR → 文本标 UNREADABLE 不臆造。
3. 剖面/处置状态 QA（与源技能同构）：Profile（strict-dimensioned/general/hybrid/visual-trace/geometry-only）+ Disposition（pass/pass_with_warnings/needs_review/blocked/fail）+ 含哈希 manifest（可复现交付契约）。strict-dimensioned 缺单位/锚点→由 validate 的 blockers 阻断（不静默降级，修正了初版误降级）；无锚点默认不按 mm。
4. 可选通道（不强制依赖）：autocad_com_bridge.py（pywin32 驱动真 AutoCAD 出原生 DWG，缺失/失败→保留 DXF，S1 优雅降级）、lisp_export.py（生成 APPLOAD-able .lsp）、pdf_vector_to_dxf.py（PyMuPDF 向量 PDF→DXF，权威几何 evidence=known）。
5. 七步管线编排：redraw_engine.py 的 preflight→提取→建 spec→校验→画 DXF→自检→比对→处置，每步产出结构化报告 + 末端 manifest.json（含 source/dxf 哈希、profile、evidence_summary）。

如何使用（DIO 自己执行，不派发）：

import sys
sys.path.insert(0, "<DIO技能>/scripts")
from image_to_dwg import redraw
manifest = redraw(
    image_path="ref.png", output_dir="out",
    profile="general",            # 或 'strict-dimensioned'(需 units+anchors) / 'geometry-only' / 'visual-trace'
    units="mm",                   # 有标定锚点才给；否则省略→unitless
    anchors_json=None,            # strict 模式下必填比例锚点
    calibration={"pixels_per_unit": 10.0},  # 可选，有则几何 SCALED
    geometry_only=False,          # True 时跳过 text/mtext/dimension，仅几何
    use_com=False,                # True 时惰性调 AutoCAD COM 出原生 DWG（失败回退 DXF）
)

与 DIO 纪律的衔接（收口不降档）：反向轨产出的 DXF 仍须过 纪律 1（原点+标准比例+三视图+越界硬断言）+ 纪律 5.1（越框/标注重叠 fail-fast）+ 纪律 7（生产流水线门禁）。即：DIO 内部反向轨负责"照图重建几何底图"，纪律 1/5.1/7 负责"越框/标注/批产门禁收口"。证据等级/处置状态经 compare.py（仅边缘相似度，用于发现遗漏/偏移，不验证物理尺寸）+ disposition 显式传达。

来源与溯源（非运行依赖）：scripts/image_to_dwg/ 内化自 GitHub pengxiaoan/autocad-dwg-redraw-skill（Codex 技能包，含 autocad-dwg-redraw 与 autocad-image-redraw 两个子技能）的干净设计——吸收其"图像反向重绘 + 证据/QA 纪律 + 多通道"思路，重写为纯 DIO 自身代码（复用 lightweight_cad，OpenCV/pywin32 惰性导入优雅降级）。该 GitHub 技能 仅作为设计溯源，DIO 运行时不依赖它安装与否——这是"内化优点"而非"调用技能"。

桥接节点 B14（图像反向重绘桥，DIO 内部）：在 B11（交付桥）/B12（世界模型桥）/B13（轻量正向 CAD 桥）基础上新增 B14——把"参考图/扫描件/截图要重绘成可编辑图纸"的需求桥接到 DIO 自身的 image_to_dwg 反向重绘能力（已内化），与 B13（正向参数/模板轨）并列：前者补"照图重建"，后者补"按参数画"。DIO 按任务性质自动择路——用户给结构化参数/模板描述→B13 正向轨；用户给参考图要反绘→B14 反向轨。两条均为 DIO 自身执行（通路一），详见 references/CAD_图像反向重绘_内化autocad_dwg_redraw.md。

六场景端到端交付验证（证明 DIO 真能交付，而非仅"可用"）

上表是 P1–P6 与 P7 合力的结果：每个场景都跑完 D→I→O 闭环并产出真实交付物，而非停在"分析说可用"。

真实边界

依据 C1–C3 准则，DIO 确实无能为力的仅以下几类：

重要：即使命中真实边界，也不得拒绝对话（见运行稳定性规则 S6）。仍需给出力所能及的回应——例如价值观问题可提供量化参考数据供决策者权衡——只是不强行套用完整 DIO 流程。

边界处理原则

1. 先怀疑判断，再承认边界：遇到"看起来不适用"的问题，先用 C1–C3 准则复核一遍，多数情况下是适配方式没找对
2. 不拒绝、不推诿：即便落在真实边界内，也要先给出力所能及的贡献
3. 不说"请选用其他工具"：可以说明某类问题通常用某种方式效果更好，但不做指令性跳转
4. 优先启用适配协议：P1–P6 覆盖了绝大多数"疑似不适用"场景，用协议而非拒绝

使用前提

• 用户能描述清楚问题背景（约束条件可以在分析过程中逐步澄清）
• 数据非必需——无数据时自动启用 P4 参数化建模或定性模式
• 问题满足 C1–C3 三准则

自我进化闭环（Evolution Loop）

TL;DR：经验存在包外 ~/.workbuddy/DIO_EVOLUTION/LEDGER.md（升级不丢）；任务前 PRE 匹配 Pattern、任务后 POST 追加 E#### 记录。

让技能"越做越强"——每次任务都沉淀为可复用经验，跨会话、跨工作区、且跨版本升级持久保存。

数据 / 机制分离（非破坏性升级的关键）

• 机制（随发布更新）：本节的 PRE/POST 指令、Schema、references/DIO_EXPERIENCE_LEDGER.md 模板 —— 这些随 SKILL 发布而更新。
• 数据（本地持久、升级不丢）：用户每次积累的经验数据（E#### 记录 + Pattern Index）存放在包外用户级路径：
  • 默认：~/.workbuddy/DIO_EVOLUTION/LEDGER.md
  • 可用环境变量 DIO_LEDGER_PATH 覆盖（如指向某项目私有账本）
• 为什么这样设计：references/ 属于技能包，重装/升级会被覆盖；而 ~/.workbuddy/DIO_EVOLUTION/ 在包外，重装技能时原封不动。因此用户上一版用出来的经验，在下载最新版后自动"融合"——新机制 + 老经验共存，绝不丢失、绝不覆盖。

任务前（PRE）

1. 定位账本：取环境变量 DIO_LEDGER_PATH，否则用默认路径。
2. 若不存在 → 用 references/DIO_EXPERIENCE_LEDGER.md 模板初始化一份（仅创建，绝不覆盖已有账本）。
3. 用"问题签名"匹配 Pattern Index：命中已知模式 → 优先复用/改编已验证最优路径；命中"避坑" → 主动规避。
4. 如需矛盾矩阵数值/效应映射/Cp-Cpk 公式等精确细节 → 读账本 Knowledge Anchors 指向的教材（见模板文件）。引用文件不存在则按"异常处理自检清单"降级，勿凭记忆编造。

任务后（POST）

1. 强制追加一条 E#### 结构化记录（域路由、矛盾/参数、方法/原理、方案、结果 success/partial/fail、可复用洞见、下次更好）到外部账本。
   • 诚实覆盖（失败必入账）：结果须如实填 success / partial / fail；对 partial/fail 必须额外写明失败要素（含 reproducible / priority / context），落实诚实原则、使失败可被复盘与去重——不得只记成功。
2. 同步更新 Pattern Index，晋升阈值量化（取代主观"高频/高价值"）：
   • 模式满足 30 天内、覆盖 ≥2 个不同任务、累计命中 ≥3 次 → 晋升进索引；
   • 或一次性重大避坑（高价值）亦可直接晋升；
   • 未达阈值仅保留为 Live Entry，不进索引（避免噪声稀释）。
3. 沉淀 Skill 前过质量门（借鉴 self-improving-agent 的 Skill Quality Gates）：须同时满足

(a) 已实测/验证可用 (b) 脱离原始上下文仍自洽 (c) 无项目硬编码值 (d) 命名规范 (e) 自包含——任一不满足则先补全或放弃沉淀。

1. 禁止写入包内 references/ 的模板文件，也禁止覆盖已有账本——只追加。

账本结构升级（V12.0.0 吸收 dev-expert「正反手册双册 + 决策失败三栏 + 证据锚」）

在原有 E#### 经验账本基础上，V12.0.0 把 DIO 自进化账本升级为双册 + 三栏 + 证据锚结构，与 dev-expert 的 error-ledger 同构但保留 DIO 包外持久特性：

• 双册（正反手册）：
  • 正册（成功路径）：E#### 的 success/partial 记录，沉淀「可复用最优路径」；
  • 反册（失败/避坑）：partial/fail 记录 + 决策失败三栏（[错误假设] / [为什么会这样] / [下次如何不犯]），命中即复核——PRE 阶段若新问题签名匹配反册条目，必须先调出该条目提示规避，不得重复踩坑。
• 决策失败三栏（fail/partial 必填）：每条失败记录除原 reproducible/priority/context 外，强制补 假设↔现实落差 与 可迁移避坑规则；未填三栏的 fail 记录在 PRE 匹配时不被采信（标 [不完整·不采信]）。
• 证据锚（Evidence Anchor）：每条 success 记录须挂验证证据锚（evidence_anchor 字段：测试通过输出片段 / 数据回灌 OK 行 / 对照基准偏差值）；无锚的 success 在 PRE 匹配时标 [置信度中·缺证据] 并优先复验——把 S10 抗合理化与 SELF-AUDIT 证据门禁落到账本层，形成「输出有证据→入账有锚→复用先验锚」闭环。
• 命中即复核：PRE 匹配到反册/避坑条目 → 输出显式 [命中反册 E####：曾因 XX 踩坑，本次已规避]；匹配到正册高锚记录 → [复用 E#### 已验证路径]。

诚实声明（进化边界）

本进化是经验符号化积累（外部记忆库），而非模型权重重训练：AI 的底层能力不变，但借助账本在相似问题上"想起"过往成败、复用最优路径。这是可验证、可审计、可迁移的进化，也是本技能"越用越懂你"的实现方式。

账本是自我进化的唯一载体；不执行 PRE/POST 等于回到静态技能。

诊断域：质量管理核心方法速查

TL;DR：10 个方法（Kano/QFD/七大工具/Cp-Cpk/t检验/ANOVA/回归/DOE/SPC/DMAIC）一句话 + 适用场景，定位"问题在哪、有多严重"。

详细步骤→读取 references/项目质量管理_方法级蒸馏.md（若文件不存在，本文件速查表与文末案例已覆盖常见用法）。

突破域：TRIZ核心方法速查

TL;DR：矛盾矩阵破技术矛盾、四大分离原理破物理矛盾；40 发明原理 + F1–F30 效应库是发散引擎。

矛盾矩阵使用流程

1. 用39个通用工程参数描述矛盾
2. 确定"改善参数"（行）和"恶化参数"（列）
3. 交叉格→推荐发明原理（Inventive Principles）编号（优先前面的）
4. 将原理具体化为技术方案

物理矛盾判定与分离

A和B是同一参数吗？
  否 → 技术矛盾 → 矛盾矩阵
  是 → 物理矛盾 → 四大分离原理
        空间分离/时间分离/条件分离/系统分离

40发明原理速查表

40原理详细案例→读取 references/创新管理_方法级蒸馏.md（若存在）。

科学效应库（功能→效应映射）

功能导向搜寻使用：将具体问题抽象为一般功能（F1-F30），再映射到科学效应。

完整效应表→读取 references/创新管理_方法级蒸馏.md（若存在）。

优化域：运筹学核心方法速查

TL;DR：LP/单纯形/对偶/灵敏度/运输/NLP/图网络/决策树/动态规划——把"约束下最优"建模求解，给出影子价格与稳健区间。

详细步骤→读取 references/运筹学_方法级蒸馏.md（若存在）。

创新管理战略框架速查

TL;DR：成长战略/破坏式创新/平台生态/Stage-Gate/IPD 等，把"创新怎么发生、收益怎么守住"讲清。

端到端实战案例

TL;DR：7 个完整案例覆盖 矛盾/排产/物理矛盾/供应商决策/不良率/多目标冲突，照着跑一遍即上手。

案例 1：产品质量问题 — DIO 全闭环

用户问题："我们产品的强度提高了 20%，但重量也增加了 15%，客户不接受增重。怎么办？"

DIO 执行过程：

【Step 1 路由】
信号词："提高了A但B也恶化了" → 典型技术矛盾 → 进入突破域(I)

【Step 2 突破域执行 — 矛盾矩阵】
改善参数：#14 强度
恶化参数：#1 运动物体重量
→ 查矛盾矩阵 → 推荐原理：#1分割 #27廉价替代 #11预操作 #40复合材料 #29气动液压

【Step 3 原理具体化为方案】
方案A (#1分割)：将承力部件与非承力部件分开，只加强承力部分
方案B (#40复合材料)：用碳纤维替代部分金属材料（高强度低密度）
方案C (#29气动液压)：用内部气压结构替代实心材料（如充气支撑）

【Step 4 桥接到优化域(O) — 选最优方案】
建立决策树：方案成本/可行性/性能提升 → 选择方案B（复合材料）
灵敏度分析：碳纤维价格波动±20%对总成本的影响 → 可接受范围

【Step 5 桥接回诊断域(D) — 验证效果】
DOE实验设计验证新材料参数 → SPC监控试产后过程稳定性
Cpk对比：改进前0.9 → 改进后1.5

输出模板：

【矛盾识别】

• 类型：技术矛盾 — 改善 #14 强度 vs 恶化 #1 重量
• 矩阵推荐原理：#1, #27, #11, #40, #29

【突破方案】（按可行性排序）

方案	TRIZ原理	做法	预期效果
A	#1分割	承力/非承力分离	重量-10%，强度不变
B	#40复合材料	碳纤维替代	重量-25%，强度+15%
C	#29气动液压	内压支撑结构	重量-30%，需重新设计

【优化决策】：推荐方案B，理由：…

【验证计划】：DOE→SPC→Cpk复核

案例 2：生产线效率 — 诊断→优化两域

用户问题："我们有三条产线，4种产品，不知道怎么排产能利用率最高。"

DIO 执行过程：

【Step 1 路由】
信号词："最高""最优""资源分配" → 优化域(O)

【Step 2 优化域执行 — LP建模】
决策变量：x_ij = 产品i在产线j上的产量
目标函数：max 总利润 = Σ(利润_i × x_ij)
约束：
  C1: 每条产线工时 ≤ 可用工时
  C2: 每种产品产量 ≥ 最低订单量
  C3: x_ij ≥ 0

【Step 3 求解与分析】
单纯形法求解 → 得到最优生产计划
对偶分析 → 产线B影子价格最高（¥800/小时）→ 瓶颈在产线B
灵敏度分析 → 订单C的需求允许降低15%而不改变最优基

【Step 4 桥接到诊断域(D) — 如果有质量问题】
若某产品合格率偏低 → 七大工具因果图找原因 → DOE优化工艺参数

案例 3：服务响应速度 — 物理矛盾分离

用户问题："我们的客服系统既要响应快（<2秒），又要分析深（需要查询多个数据库，耗时5秒+）。"

DIO 执行过程：

【Step 1 路由】
同一参数（响应时间）既要短又要长 → 物理矛盾

【Step 2 分离原理选择】
尝试时间分离：
  T≤2s：返回缓存/预计算结果（快速但不完整）
  T=5s：后台完成深度分析后推送更新
→ 应用 #10预操作 + #15动态化

方案：两级响应机制
  Level 1（即时）：返回历史相似问题的答案（<1s）
  Level 2（异步）：后台深度分析后通知用户（5-10s）

案例 4：供应商选择 — 运筹优化 + 决策树（不确定性决策）

用户问题："我们有 3 家供应商可选，价格不同、交期不同、质量水平也不同，而且未来需求量有 30% 概率翻倍、70% 概率持平，选哪家？"

DIO 执行过程：

【Step 1 路由】
信号词："选哪个最优" + "概率/不确定性" → 优化域(O)，需用决策树

【Step 2 建模】
决策节点：选择供应商 A / B / C
机会节点：需求持平(0.7) / 需求翻倍(0.3)
评价指标：总成本 = 采购成本 + 库存成本 + 缺货惩罚

各供应商参数：
  供应商A：单价¥100，交期7天，合格率99%，产能充足
  供应商B：单价¥85，交期14天，合格率96%，产能有限（翻倍时需外协+¥20）
  供应商C：单价¥120，交期3天，合格率99.8%，产能充足但最小起订量高

【Step 3 决策树求解】
计算每个分支的期望总成本（EMV）：
  供应商A EMV = 0.7 × Cost_A_持平 + 0.3 × Cost_A_翻倍 = ¥X
  供应商B EMV = 0.7 × Cost_B_持平 + 0.3 × Cost_B_翻倍(含外协) = ¥Y
  供应商C EMV = 0.7 × Cost_C_持平 + 0.3 × Cost_C_翻倍 = ¥Z

【Step 4 灵敏度分析】
关键变量：需求翻倍概率在什么范围内会改变最优选择？
  设翻倍概率为 p，解方程 EMV_A(p) = EMV_B(p)
  → 得到临界概率 p*
  若实际 p > p* 则选A，否则选B

【Step 5 输出】
推荐：供应商[ ]，期望总成本¥[ ]
风险提示：若需求翻倍概率超过[ ]%，建议切换到供应商[ ]

输出模板：

【决策模型】

供应商	持平时总成本	翻倍时总成本	期望成本(EMV)	风险(最差情况)
A	…	…	…	…
B	…	…	…	…
C	…	…	…	…

【推荐】：供应商 X，理由：…

【灵敏度】：当需求翻倍概率超过 __% 时，改选 Y 更优

【局限】：以上基于给定概率估算，实际概率若偏差较大可能改变结论

📊 详细分步演算（演示数值 · 成本子模型透明可复算）

下面把【Step 2–4】里的占位符号 [ ]/¥X 真正算出来。子模型（可替换为你的真实参数）：

年需求 持平 Q=10,000 / 翻倍 Q=20,000 件；年持有率 20%；库存 = 单价×20%×(交期/365)×Q（在途+安全库存占用）；

不良补制 = 单价×(1/合格率−1)×Q；B 翻倍超出产能部分外协 ¥20/件（cap=15,000）。

各分支总成本（元）：

  供应商A（¥100 / 7d / 99% / 产能∞）：
    持平 = 采购1,000,000 + 库存3,836 + 补制1,010            = 1,004,846
    翻倍 = 采购2,000,000 + 库存7,672 + 补制2,020            = 2,009,692
  供应商B（¥85 / 14d / 96% / cap=15,000）：
    持平 = 采购850,000 + 库存6,520 + 补制35,417            = 891,937
    翻倍 = 采购1,700,000 + 外协100,000 + 库存13,041 + 补制70,833 = 1,883,874
  供应商C（¥120 / 3d / 99.8% / 产能∞）：
    持平 = 采购1,200,000 + 库存1,973 + 补制2,405           = 1,204,378
    翻倍 = 采购2,400,000 + 库存3,946 + 补制4,810           = 2,408,756

EMV（期望成本 = 0.7×持平 + 0.3×翻倍）：

  供应商A = 0.7×1,004,846 + 0.3×2,009,692 = 1,306,300
  供应商B = 0.7×891,937   + 0.3×1,883,874 = 1,189,518   ← 最低
  供应商C = 0.7×1,204,378 + 0.3×2,408,756 = 1,565,692

结论：选 B（EMV 最低，且单价最低）。A 产能无忧但长交期库存高、翻倍后规模效应弱；C 为极短交期付溢价，EMV 最高。

灵敏度（演示切换公式）：设翻倍概率为 p，EMV_A(p)=1,004,846+1,004,846p，EMV_B(p)=891,937+991,937p。解 EMV_A=EMV_B → p* = (891,937−1,004,846)/(1,004,846−991,937) = −0.112（负 → 本例 B 在 p∈[0,1] 全程最优，无切换点）。若想看到切换：让 B 的翻倍外协更贵（cap 降到 12,000 且外协 ¥40/件，使 B_翻倍≈2,141,874、ΔB≈1,250,000），则 p*≈0.30——即“需求翻倍概率 >30% 时改选 A”。公式 p*=(B0−A0)/(ΔA−ΔB) 一算即得。

案例 5：不良率飙升 — 诊断域全流程（DMAIC + 七大工具）

用户问题："我们产线的不良率从 2% 突然升到 8%，查了三天没找到原因，怎么办？"

DIO 执行过程：

【Step 1 路由】
信号词："不良率升高""找不到原因" → 诊断域(D)，走 DMAIC 的 D-M-A 阶段

【Step 2 Define — 定义问题】
Y = 不良率（当前 8%，目标 ≤2%）
范围：全产线？特定工序？特定产品？→ 先分层确认

【Step 3 Measure — 数据收集】
按以下维度分层收集最近7天的数据：
  时间维度：班次/日期（是不是某天某个班次开始变差？）
  空间维度：工位/设备/产线（是不是某台机器的问题？）
  产品维度：型号/批次（是不是某批原材料的问题？）
  人员维度：操作员/班组（是不是新人/换人导致？）

→ 使用检查表(Check Sheet)系统记录

【Step 4 Analyze — 根因分析】
工具链：
  (a) 分层法 → 发现不良集中在 3号工位 + 夜班 → 缩小范围
  (b) 帕累托图 → 不良类型Top3：气泡(45%) + 划伤(28%) + 变色(15%) → 聚焦气泡
  (c) 因果图(鱼骨图) → 对气泡不良做 5M's 分析：
      人：夜班是否疲劳/培训不足？
      机：3号设备是否近期维修/参数变更？
      料：该批次原料是否有差异？
      法：夜班SOP是否和白班一致？
      环：温湿度是否异常？
  (d) 假设检验 → 对比夜班vs白班的不良率差异是否统计显著（t检验，p<0.05?）

【Step 5 输出根因 + 改进建议】
根因（假设）：[具体原因，如"3号设备温度控制器在夜间漂移"]
验证计划：(a) 收集更多数据确认 (b) DOE实验验证 (c) SPC持续监控

输出模板：

【问题定义】

• 指标：不良率，基线 2%，当前 8%（恶化 6pp）
• 范围：经分层确认，问题集中在 [具体维度]

【数据分析结果】

分层维度	正常组	异常组	差异	统计显著性
班次	白班 1.8%	夜班 9.2%	+7.4pp	p=0.003 显著
工位	1号 2.1%	3号 12.5%	+10.4pp	p<0.001 显著
批次	批次A 2.3%	批次B 7.8%	+5.5pp	p=0.02 显著

【帕累托 Top3 不良类型】

1. 气泡缺陷 (45%) — 聚焦优先解决
2. 划伤 (28%)
3. 变色 (15%)

【因果分析（鱼骨图结论）】

最可能的根因链：[人/机/料/法/环的具体因果链]

置信度：高/中/低（取决于数据充分性）

【改进建议（Improve方向）】

1. 短期（立即执行）：…
2. 中期（1-2周）：…
3. 长期（系统性）：…

【控制计划（Control）】

• SPC 控制图监控指标：…
• 报警规则：…
• 复核周期：…

案例 6：跨域难题 — 成本 vs 质量 vs 交期（DIO 全闭环实战）

用户问题："我们要降低产品成本 15%，但客户要求质量不能降（Cpk≥1.33��，同时交期还要缩短 20%。这三个目标互相打架，怎么破？"

DIO 执行过程：

【Step 1 路由】
三个目标两两冲突 → 典型复合问题 → DIO 全闭环

【Step 2 诊断域(D) — 量化现状与差距】
当前状态：
  成本基准：¥100/件    目标：≤¥85    差距：-15%
  质量Cpk：1.45        目标：≥1.33    余量：+0.09（有缓冲）
  交期：14天           目标：≤11.2天  差距：-20%

Kano分类：
  成本降低 → 期望型需求（不满足就失望）
  质量保持 → 基本型需求（不满足就愤怒）
  交期缩短 → 兴奋型需求（满足就惊喜）

优先级：质量是硬约束（不可妥协）> 成本 > 交期

【Step 3 突破域(I) — 识别并解决矛盾】

矛盾1（技术矛盾）：降成本(#30作用于物体的有害因素) vs 保持质量(#18光照度/这里映射为精度)
  → 矛盾矩阵推荐：#35参数变化 #10预操作 #1分割 #16不足超额 #27廉价替代
  → 方案：#1分割——将产品分为"功能核心件"(保持高质量材料)和
         "结构件"(可替换为低成本材料或简化设计)

矛盾2（技术矛盾）：缩短交期(#9速度) vs 保持质量(#11应力/压力)
  → 矛盾矩阵推荐：#10预操作 #15动态化 #21紧急行动 #29气动液压
  → 方案：#15动态化——将固定检测改为在线自适应检测，
         减少批量等待时间；#10预操作——提前备料/预处理

矛盾3（物理矛盾？）：成本要低 but 质量投入要高 → 不是同一参数，
  实际是资源分配问题 → 归入优化域

【Step 4 优化域(O) — 资源最优配置】
建模为多目标规划（以质量为硬约束，最大化成本节约+交期缩短）：

决策变量：
  x1 = 核心件材料等级（影响成本和质量）
  x2 = 结构件是否简化设计（二元变量）
  x3 = 是否引入并行检测线（影响交期和投资）

目标函数：
  max  w1×(成本节约%) + w2×(交期缩短%)
  s.t.  Cpk ≥ 1.33（硬约束）
        x_i ∈ 可行域

求解 → Pareto 最优前沿（给出 3 个非劣方案）

【Step 5 闭环迭代 — 验证与选择】
对Pareto最优方案逐一验证：
  方案α：成本-12%, 交期-15%, Cpk=1.38 ✓
  方案β：成本-16%, 交期-10%, Cpk=1.34 ✓（边际方案）
  方案γ：成本-14%, 交期-20%, Cpk=1.33 ✓（激进方案）

灵敏度：原材料价格波动±10%对各方案的影响
最终推荐：方案β（成本目标基本达成，交期接近目标，质量有余量）

输出模板：

【三目标冲突分析】

目标	当前	目标	差距	Kano类型	优先级
成本	¥100	≤¥85	-15%	期望型	P2
质量	Cpk1.45	≥1.33	+0.09余量	基本型	P1硬约束
交期	14天	≤11.2天	-20%	兴奋型	P3

【矛盾破解】

矛盾	TRIZ原理	方案	效果
成本 vs 质量	#1分割	核心/结构件分级	成本↓ 质量↔
交期 vs 质量	#15动态化	在线自适应检测	交期↓ 质量↔

【Pareto 最优方案集】

方案	成本变化	交期变化	Cpk	特点
α（均衡型）	-12%	-15%	1.38	各项稳健
β（成本优先）	-16%	-10%	1.34	成本达标
γ（交期优先）	-14%	-20%	1.33	交期达标

【推荐】：方案 [ ]，理由：…

【局限】：以上基于当前参数估算，实际效果需 DOE 验证

【建议下一步】：DOE 实验 → SPC 试产监控 → Cpk 复验

📊 详细分步演算（演示数值 · 三目标如何量化到 Pareto 方案）

把【Step 4】的 Pareto 方案 α/β/γ 真正算出来。子模型（可替换）：

BOM 成本 ¥100 = 核心件 ¥40（必须保持高等级材料，是 Cpk 的承载者）+ 结构件 ¥60（可降级/简化）；

交期 14 天 = 加工 6 + 批量检测等待 5 + 物流 3。

方案推导：

  ① #1 分割（核心/结构件分级）：结构件占 BOM 60%，改用低成本材料+简化设计可降该部分 ~27%
     → 整体成本 −16%（¥100→¥84），对应方案 β；若仅降 20% → −12% 对应 α。
  ② #15 动态化（在线自适应检测）：消除 5 天批量等待 → 交期 14→9 天（−36%）；
     受物流下限 3 天约束，实际取 11.2 天（−20%）对应激进方案 γ；部分消除 → −15% 对应 α。
  ③ Cpk 约束为何不破：降级只发生在结构件，核心件始终高等级 → Cpk 由核心件决定，保持 ≥1.33
     （α=1.38 / β=1.34 / γ=1.33，均在硬约束之上；β 余量 0.01 最紧但安全）。

三方案对照（与上方输出模板一致）：

  α 均衡型：    成本−12%(¥88)   交期−15%(11.9天)  Cpk1.38  —— 各项稳健，参数不确定时的安全牌
  β 成本优先：  成本−16%(¥84)   交期−10%(12.6天)  Cpk1.34  —— 成本达标、质量有余量 ← 推荐
  γ 交期优先：  成本−14%(¥86)   交期−20%(11.2天)  Cpk1.33  —— 交期达标、质量贴线

验证回路（闭环 D→I→O→D）：DOE 验证结构件降级后强度（#1 分割的物理可行性）→ SPC 试产监控 Cpk 不漂移 → 复验确认 β 可达。若试产 Cpk<1.33，回 I 改选 α（牺牲成本换质量余量）——这正是 DIO 闭环“验证不通过就迭代”的硬纪律。

案例 7：三模态机器人飞行指标达标 — 能源螺旋固定点模型 + TRIZ 轻量化（DIO 工程物理闭环）

用户问题："Config D 飞行硬指标：续航≥30min、航程≥10km、升限≥2000m、载重≥5kg，但结构必须≤16kg——按现有 117kg 结构算根本飞不起来，怎么办？"

DIO 执行过程：

【Step 1 路由】
"飞不起来""指标冲突" → 物理矛盾(轻 vs 强) + 资源约束最优化 → 诊断(D)+优化(O)双域，先诊断再优化

【Step 2 诊断域 — 量化根因（能源螺旋固定点模型）】
T = MTOW·g；P_hov = k·T^1.5/√(2ρA)        (k=1.20, A=1.057m², ρ@2000m=0.969)
P_cruise = 0.6·P_hov
m_batt = P_cruise·(t/3600)/(SE·DOD)        ← 电池按任务尺寸反算
m_motor = P_hov/SP_motor
MTOW = S + m_batt + m_motor + M_avionics(1) + M_payload(5)
固定点迭代求解 MTOW：
  • 当前结构 S=117kg → 每次迭代电池随 MTOW 涨 → 无收敛(发散)，证明 ≤16kg 字面目标物理不可能
  • 物理绝对平台地板 ABS_STRUCT=7.7kg → 即便零结构效率，最小 MTOW≈17.3kg > 16kg
  • 工程下界 S_floor≈31.1kg；激进档 S_A≈29.89kg；发散悬崖 S_max≈52kg(>52kg 无收敛解)

【Step 3 创新域 — TRIZ 破"轻 vs 强"矛盾】
技术矛盾：改善 #1 运动物体重量 vs 恶化 #14 强度 / #13 结构稳定性
矛盾矩阵推荐：#1 分割 #2 抽取 #31 多孔材料 #40 复合材料
方案(对 M1/M2/M4)：
  • #40 复合材料：承力件转 CFRP(比刚度≈钢 5×)
  • #31 多孔材料 + 拓扑优化：点阵/夹芯减重
  • #1 分割 + #2 抽取：承力/非承力分离，抽除非承力质量
解析刚度预检：M2 悬臂 CFRP 管 Φ80×5，δ≈0.13mm vs 允许 4mm（30× 余量）；M4 壳 t≈1.8mm 屈曲为主风险→夹芯/筋；M1 低风险

【Step 4 优化域 — 固定点重算 + 深度杠杆权衡】
迭代逼近 S_A≈29.89kg（结构 117→29.89，减重 74%）→ 乐观参数(220Wh/kg, 4kW/kg)：
  m_batt=19.5kg, m_motor=2.87kg → MTOW=58.3kg → 30min/10km 有有限解 ✅
深度杠杆（各可吸收 +6~10kg 结构回涨的保险/备份）：
  ① 桨盘 D：0.82→1.2m 现实净降 8.1kg（纯气动 -15kg，但 M3∝D 结构增量吃掉尾部；甜点≈1.2m，仅"可展开"逼近上限）
  ② 电池 SE：220→300Wh/kg → MTOW 降 9kg（49.3kg）
  ③ Route B 降级备份 12min/8km → 即便 117kg 重结构也能收敛（硬备份）

【Step 5 决策闭环 — DECIDED 修正目标】
诊断结论：≤16kg 不可达 → 提议并获用户确认采纳"修正目标 结构≤~30kg(S_A)/MTOW≤~60kg"为路线 A 达标线
诚实边界：~58kg 对电池比能敏感——若只能 180Wh/kg，即便 S_A 也 MTOW=74.8kg>60 → 须并列管控"锁定≥220Wh/kg 包级电池"

输出模板：

【矛盾识别】

• 类型：技术矛盾 — 改善 #1 重量 vs 恶化 #14 强度 / #13 稳定性
• 矩阵推荐原理：#1, #2, #31, #40

【突破方案】

模块	TRIZ原理	做法	单件减重
M2 主承力	#40+#31	CFRP 管+拓扑+点阵	78%
M4 壳体	#40	CFRP 壳+夹芯	70%
M1 关节	#1+#2	承力/非承力分离	55%

【优化决策】：固定点 MTOW=58.3kg（S_A≈29.89kg, 电池19.5kg, 电机2.87kg）→ 30min/10km 达标

【验证计划】：FE 放行——von Mises<300MPa、屈曲因子≥1.5、频率>桨叶通过频率、位移<L/100、质量门≤S_max≈52kg

【诚实边界】：轻量化与电池比能须并列管控；字面目标不可达时先诊断不可能性再提议 DECIDED 修正目标

案例 8：统一变形金刚 TF-2 — 三态全包 + 可制造性诚实校核（V4.1.1 四步法 + Agentic 实战）

用户问题："重新设计变形金刚，要达到可以实现工程制作的程度；查询之前设计变形金刚的要求。"（澄清后：统一重做=机器人↔车↔飞行 三态全包 + 完整投产包 + 从零参数化重做）

DIO 执行过程：

【Step 0/0a/0b 学习层 — 用户定义"四步法"全程走通】
① 定义：统一三态平台=单底盘承载 机器人态/汽车态/飞行态，非三台独立机
② 调研现有（真实锚）：Alef Model A(车↔机,385kg,8 DEP,90°车身旋转,云台座舱) + ANYmal(轮腿混合)
③ 建库：keb.py analyze 实跑命中 23/26 条目；新补 KB-0063(动力工程及工程热物理+电气：PMSM 3-5kW/kg eVTOL、SE_batt 220-300Wh/kg、T=m_batt·SE·DOD/P) 闭环"动力工程待补全"
④ 设计门控（用户给具体需求才进解决层）

【Step 0c/解决层 — 矛盾收敛 + 固定点物理校核】
矛盾 #1(柔性/运动 vs 静止/固定)→分离：刚性模块 + 相对位姿切换(非材料连续变形)
矛盾 #13(结构 vs 重量)→#1/#15/#35/#40：点阵网壳+复材降重、D≥1.0m 降桨盘载荷、航空级电池≥220Wh/kg
能源螺旋陷阱：电池=悬停峰值×全程 → 质量发散(STRUCT_CLIFF)；解=任务剖面法(巡航航程能耗+VTOL储备)

【固定点模型 7 配置（带发散守卫，返回 FAIL 不伪造）】
  T=MTOW·g; P_ind=T^1.5/√(2ρA); P_hov=P_ind/FM; P_cruise=T·v/(L_D·η_p)
  E=P_cruise·(R/v)+P_hov·t_reserve; m_batt=E/(SE·DOD·3600); m_motor=P_hov/ρ_motor
  MTOW=S+m_batt+m_motor+M_pl+M_av, S=f·MTOW; S>S_max 或 不收敛→FAIL
  基准 2座/SE250/8×D0.8/80km → MTOW=745kg(收)；SE300→652；D1.0→650；R50→629；1座→426；f0.33→575；乐观→459
  DECIDED：2座/SE≥250/8×D≥1.0/MTOW≤700/航程≥50km/悬停≥3min

【投产包 — 参数化 CAD + 工程纪律】
build123d 0.11.1 从零建模 4 模块(轮腿/旋翼短舱/旋转铰链/云台座舱)→STEP
  OCP 闭壳校验：14/14 实体水密(ASSEMBLY 3.0×2.1×1.815m)
  AABB 干涉：位姿常量单一事实源(core 与 docs 共享) → 0 重叠(原 7 处误报源于双份硬编码漂移)
  + 4 张 DXF 工程图 + BOM(7行) + 工艺路线(7模块) + 验证报告

【工程图升级（用户指定 SolidWorks 为主制图工具，E0029）】
用户指出 build123d 的 4 张 DXF"里面实际也没有什么"（仅包围盒示意、无真实投影几何）。
改用 SolidWorks 2025 实机出图：sw_launch_helper.connect_sw() 干净冷启动(强制 taskkill 残留 + 轮询 GetProcessID 就绪 + 早绑定 ISldWorks 包裹) → 4 模块 .SLDPRT(真实尺寸 mm→米须÷1000) → draft_drawing 生成 GB A3 第一角投影 4 视图 + 自适应比例(1:8/1:5) + 方案D 叠加 5 处 GB/T 尺寸 → PDF+DWG。PyMuPDF 非空白校验：矢量图元 57–82、非白比 3.7–4.3%，确证含真实投影几何。空 DXF 已被真实 SW 工程图取代。
铁律：① GetProcessID 是属性非方法；② 草图坐标是米；③ 出图类方法须 early_bind(TLB 包裹) 才可见；④ 绝依赖 GetActiveObject(易取僵尸)。

**输出模板**：

> **【矛盾识别】**
> - 类型：技术矛盾 — 改善 #1 重量 vs 恶化 #13 结构稳定性 / 运动物体适应性
> - 矩阵推荐原理：#1 分割 / #15 动态化 / #35 参数变化 / #40 复合材料
>
> **【突破方案】**
> | 模块 | TRIZ原理 | 做法 | 效果 |
> |------|----------|------|------|
> | 底盘 | #40+#31 | CFRP 点阵网壳 | 低重心+透气降阻 |
> | 旋翼 | #35 | D≥1.0m 降桨盘载荷 | 1818→1015 N/m² |
> | 能源 | #1 | 任务剖面法建模 | 消除质量螺旋发散 |
>
> **【优化决策】**：固定点 MTOW=650kg（SE250/D1.0, 电池117kg, 电机43kg）→ 三态统一平台物理可行
> **【验证计划】**：几何闭壳(OCP) + AABB(0重叠) + 固定点(收敛) 三重诚实校核；外部 FEA/风洞/适航/全扫掠包络待用户委托
> **【诚实边界】**：能产真实 CAD/STEP/工程图/BOM/物理校核/静态干涉；不能物理制造全尺寸机、无 FEA/风洞/适航、未做三态变形全扫掠校核
> **【纪律沉淀】**：干涉检查 CAD 位姿与文档校核须引用同一常量(单一事实源)；固定点电池必用任务剖面法

---

## 使用说明

> **TL;DR**：命中专业术语或自然语言即触发；先路由→域内执行→桥接→闭环；否定式（写代码/翻译）不触发。

### 激活条件

当用户提出涉及以下任一类关键词或表达模式时，自动激活本技能：

**专业术语（精确匹配）**：
- 运筹学/优化/约束/最优/线性规划/灵敏度/决策树/动态规划
- TRIZ/矛盾/发明原理/分离原理/创新/效应
- 质量/七大工具/控制图/六西格玛/DMAIC/QFD/Kano/DOE/SPC

**自然语言模式（模糊匹配——用户无需知道术语）**：
- 矛盾/冲突："A变好了但B变差""两个目标对立""不想折中"
- 资源决策："怎么分配最优""有限预算""选哪个方案"
- 质量问题："不稳定""不良率上升""根因是什么"
- 综合需求："系统化分析""科学方法""复杂问题"

### 推荐工作流

0. **无边界发散（V4.1 新增）**：自由 framing + 类比跨域联想 + 结构化创意发散，不做任何域限定（想象居所）
0a. **知识引子（并行）**：映射学科/行业 + KEB 相关性分析，生成【问题上下文简报】，仅作输入增强（非前置门）
0b. **方法路由（并行）**：判断问题属于哪个 D/I/O 域
0c. **规则收敛（V4.1 新增）**：把"发散创意 + 知识上下文 + 方法结构"按相关性/可行性/创新度收敛成 Top-K 候选
1. **域内执行**：按速查表指导步骤，需要细节时读取蒸馏文档
2. **桥接切换**：遇到瓶颈时通过10个桥接节点切换域
3. **闭环迭代**：D→I→O→D循环直到问题解决（Step 4）

### 触发方式示例（真实场景）

本技能的 trigger 设计遵循**双轨制**：既匹配专业术语，也匹配用户日常会说的自然语言。**用户无需知道 TRIZ、CpK 等专业术语即可触发**。

#### 自然语言 → DIO 域自动路由表

当用户说出以下类型的句子时，按此表自动路由到对应域：

| 用户可能说的话（原话） | 路由到 | 对应方法 |
|----------------------|--------|---------|
| **矛盾/冲突类** |||
| "改善A但B变差了""提高了速度但精度下降""降低了成本但质量也降了" | **突破域 (I)** | 技术矛盾 → 矛盾矩阵 → 发明原理 |
| "鱼和熊掌不可兼得""两个指标互相矛盾""怎么兼顾对立目标" | **突破域 (I)** | 物理矛盾 → 分离原理 |
| "同一个参数既要大又要小""不想妥协""有没有突破性方案" | **突破域 (I)** | IFR理想最终结果 + 发明原理 |
| **资源/决策类** |||
| "怎么分配最合理""预算有限怎么最大化收益""有限资源怎么用" | **优化域 (O)** | LP线性规划 / 整数规划 |
| "多个方案选哪个好""帮我做决策""风险和收益怎么权衡" | **优化域 (O)** | 决策树 / EMV / 多准则决策 |
| "不确定情况下怎么决策""供应商怎么选""投资组合怎么配" | **优化域 (O)** | 决策树 / 灵敏度分析 |
| "在限制条件下求最优""有多个约束条件""怎么建模求解" | **优化域 (O)** | LP/NLP 建模 + 单纯形法/KKT |
| **质量/问题类** |||
| "产品质量不稳定""良率忽高忽低""最近不良率上升" | **诊断域 (D)** | SPC控制图 + Cp/Cpk + 帕累托 |
| "找出问题的根本原因""为什么会出现这个问题""问题出在哪里" | **诊断域 (D)** | 鱼骨图 + 5Why + 分层法 |
| "哪个因素影响最大""A和B哪个更显著""实验结果怎么分析" | **诊断域 (D)** | ANOVA/假设检验/DOE |
| "客户投诉多了怎么回事""客户到底最在意什么" | **诊断域 (D)** | Kano模型 + VOC分析 |
| **综合/不明确类** |||
| "这个问题比较复杂需要系统化分析""不要拍脑袋要科学分析" | **DIO全闭环** | Step 0 路由 → D→I→O→D |
| "需要方法论""给我系统化方案""先诊断再优化" | **DIO全闭环** | 完整DIO流程 |
| "工程问题怎么解决""管理问题怎么量化" | **DIO全闭环** | 按问题类型路由 |

#### 触发匹配规则

1. **优先匹配具体域**：如果用户的话明确属于某一域（如含"矛盾/变差/冲突"→突破域），直接进入该域
2. **模糊表述走全闭环**：如果用户的话跨域或不够明确（如"复杂问题""系统化分析"），默认走 DIO 全闭环
3. **否定式不触发**："写段代码""翻译一下""天气如何"等非方法论问题 → 不激活本技能
4. **无需专业术语**：用户说"我想让A变好但B变差了"和说"技术矛盾#26 vs #27"效果完全一致——AI 应将前者自动翻译为后者再处理

#### 新手引导（当检测到用户可能需要但不自知时）

如果用户的问题隐含以下模式但未明确请求方法论帮助，**主动建议使用 DIO 分析**：

- 问题涉及**至少两个相互制约的目标/指标**
- 问题需要**在有限资源下做选择**
- 问题涉及**质量波动/异常/根因定位**
- 用户表示"试了很多办法都不行""陷入两难""不知道从何入手"

此时可在回复开头附加：
> "[注：您描述的问题适合用系统化问题解决方法(DIO)来分析。以下按 诊断→创新→优化 流程给出结构化解法。如需纯经验讨论可略过此节。]"

### 文档引用

详细知识库文档位于 `references/` 目录（若存在）：
- 运筹学方法级蒸馏：11方法 × 6维蒸馏（v3.3 增 §11 TOC/工厂物理）
- 创新管理方法级蒸馏：**12**方法 × 6维蒸馏 + 40原理详细表 + 效应库（v3.3 深化 §8 破坏性创新；**v3.4 增 §12 常规创新技法**）
- 项目质量管理方法级蒸馏：14方法 × 6维蒸馏（v3.3 增 §11 DPMO/σ水平、§13 V&V、§14 结构化拆解；**v3.4 深化 §11 DOE** 7步处方+关键因素a-f+分析6a-6f；**v3.5 升级 §11 DOE** 加一般模型/术语量化/残差四合一图/实例演示）；**v3.6 强化阶段5 自我进化闭环**——量化晋升阈值(30天/≥2任务/≥3次)、失败必入账、Skill沉淀质量门
- 跨域集成框架：DIO闭环 + 10桥接节点（v3.3 增 §6 敏捷/迭代执行引擎；**v3.4 增 §7 产品开发阶段门 IPD/APQP**；**v3.5 增 §7 附录A PMBOK 5过程组 ↔ IPD-APQP 对照表**，参考附录不增方法计数）
- DIO_EXPERIENCE_LEDGER.md：**账本模板/种子**（随发布更新）；**真实累积经验在包外** `~/.workbuddy/DIO_EVOLUTION/LEDGER.md`（可用 `DIO_LEDGER_PATH` 覆盖），升级不丢
- 学科知识域索引.md（V4.0）：13 学科门类 + 一级学科骨架（参照《学科目录》），相关槽位 KB 种子
- 行业知识域索引.md（V4.0）：申万一级 31 行业骨架，相关行业 KB 种子
- 知识经验库_KEB.md（V4.1）：KEB 四库合一 schema + "主动预填 + 被动补缺"双轨获取协议（web/journal/conference/magazine/video）+ 相关性算法
- 相关性分析_工作流.md（V4.1）：阶段0 发散 / 0a 并行知识引子 / 0b 方法路由 / 0c 规则收敛 工作流 + 打分公式 + 【问题上下文简报】模板
- 学习协议_四步法.md（V4.1 用户定义）："怎么学习"四步法（定义→调研现有→建库KEB→设计门控），以"设计飞行器"贯穿示例，明确学习层与解决层边界
- KEB.json（V4.1 重建）：26 条结构化定量知识库（含飞行器定义/航空工程学科体系/eVTOL 构型与底层公式 3 条 + 动力工程及工程热物理 KB-0063），含 `quantitative`/`verification`/`linked_calculators` 字段
- scripts/keb.py（V4.1）：KEB 引擎（init/add/analyze/gaps），RAG 式"先查后答"（CALC-04 知识锚定 / CALC-05 缺口扫描）
- 外部引擎注册表.md（V4.1 反思）：借鉴 Agentic Engineering 的"大脑+计算器"清单与调用纪律（CALC-01~03 力学计算器已建）
- scripts/mechanism_calc.py（V4.1 反思）：真实刚体力学计算器（肢段锁止力/薄板屈曲/NiTi 作动），Agentic Engineering 之"计算器"
- CAD_轻量五域图库_内化cad-editor.md（V10.x 内化 `@indiv-wangjiaocheng/cad-editor` 优点）：DIO **自身**轻量 CAD 能力手册——五行业图库、GB/T 合规、NL→参数提取思想、ezdxf 执行管线、渲染；并说明 `scripts/lightweight_cad/` 自包含库（剔除易碎生成器、修正 bug）；与 SW2025/smlibpy 重轨的分工、B13 内部轻量 CAD 桥。注意：此为 DIO 内化能力，非调用外部技能。
- CAD_图像反向重绘_内化autocad_dwg_redraw.md（V11.1.0 内化 `pengxiaoan/autocad-dwg-redraw-skill` 优点）：DIO **自身**图像→DWG 反向重绘能力手册——七步管线、证据等级/剖面/处置状态纪律、OpenCV/pywin32 惰性降级、复用 lightweight_cad 实体、AutoCAD COM/LISP/向量PDF 通道、B14 内部反向重绘桥。注意：此为 DIO 内化能力，非调用外部技能。

需要深入时，用 Read 工具读取对应的 `.md` 文件。**所有 references/ 文件均为可选增强，缺失时本文件已包含独立工作所需的最小知识集。**

---

## FAQ 与避坑指南

> **TL;DR**：5 个高频问答（DIO vs DMAIC、39参数、无数据、轮次、公式） + 7 条避坑（跳过路由/误判矛盾/不验证/编造矩阵…）。

### FAQ 总索引（一页速查 · 全文档问答集中导航）

> 本技能的问答分散在各功能章节中——此处是**唯一集中入口**：先查这里定位问题，再按"详解位置"跳转，不用全文翻找。

| 我想知道… | 一句话答案 | 详解位置 |
|----------|-----------|---------|
| DIO 和 DMAIC 什么关系？ | DMAIC ⊂ DIO（只覆盖 D 域），DIO 多 I+O 两域 | 本节 Q1 |
| TRIZ 39 参数要背吗？ | 不用，10-15 个常用参数覆盖 80% 场景 | 本节 Q2 |
| 没有精确数据能用吗？ | 能，自动切定性模式（S2），输出标注置信度 | 本节 Q3 + 稳定性规则 S2 |
| 一次分析要几轮？ | 单域 1-2 / 桥接 2-3 / 全闭环 3-5 轮 | 本节 Q4 |
| 公式要手算吗？ | 不用，你是建模者，数值求解交给 Python | 本节 Q5 |
| 出错了怎么查？ | 错误码 `[E-NNN]` → `references/error_codes.md` 速查 | 异常处理 · 错误码速查 |
| 什么时候该找人工/专家？ | 三档判定：自愈 / 需您输入 / 建议外部专家 | 异常处理 · 人工求助判定表 |
| 能做什么/不能做什么？ | C1-C3 准则 + 功能就绪度清单（✅/🟡） | 能力边界定义 + 快速开始 |
| 极端输入会崩吗？ | 不会，降级链 Level 0→3 每级都有产出 | 运行稳定性 · 降级链 |
| 触发词忘了怎么说？ | 三分类：描述问题 / 指定方法 / 边界确认 | 读者地图 · 触发方式三分类 |
| 经验怎么沉淀不丢？ | POST 强制写外部账本 E####，升级不覆盖 | 自我进化闭环 |
| 脚本报错/路径问题？ | 脚本已全自适应相对路径；先重跑 v10_validation.py 定位 | 快速开始 · 跨平台稳定性 |
| 有哪些可直接跑的脚本？ | 16 个纯标准库脚本（验证/管线/算法器/KEB/计算器/公差链/物理校核/求解器桥/硬件闭环） | 快速开始 · 安装与依赖 |

### 常见问题（FAQ）

**Q1：DIO 和六西格玛 DMAIC 是什么关系？**
A：DMAIC 是 DIO 的**子集**——DMAIC 主要覆盖诊断域(D)的部分内容（Measure→Analyze）。DIO 在此基础上增加了突破域(I)和优化域(O)，能处理 DMAIC 遇到的"折中瓶颈"和"最优决策"问题。可把 DMAIC 当作 DIO 全闭环的一个入口（桥接节点 #10）。

**Q2：TRIZ 的 39 个工程参数需要背吗？**
A：不需要。常用的大约 10-15 个就覆盖 80% 场景：#1重量、#2静止物体尺寸、#3运动物体长度、#9速度、#10力、#11应力/压力、#14强度、#25能量损失、#26物质/信息数量、#27可靠性、#32可制造性、#33易操作性。其余用到时查表即可。

**Q3：没有精确数据能用 DIO 吗？**
A：可以。DIO 支持**定性模式**——用专家打分/相对排序代替精确数值。例如帕累托可以用频率排序代替精确计数，矛盾矩阵只需要相对描述不需要公式。但需明确告知用户：定性分析的置信度低于定量分析。

**Q4：一次 DIO 分析大概需要多少轮？**
A：取决于问题复杂度：单域简单问题 1-2 轮；两域桥接 2-3 轮；DIO 全闭环复杂问题 3-5 轮。每轮 = 一个域的完整分析输出。

**Q5：运筹学的数学公式需要手算吗？**
A：不需要。你的角色是**建模者**而非计算器。正确做法是：(1)建立正确的数学模型（目标函数+约束）；(2)说明用什么方法求解；(3)解释结果含义。数值求解交给 Python（scipy.optimize/pulp）或专业软件。

### 避坑指南（已知陷阱）

| # | 陷阱 | 症状 | 正确做法 |
|---|------|------|----------|
| 1 | 跳过路由直接动手 | 用错域的方法，浪费时间 | 花 10 秒走 Step 1 路由判断 |
| 2 | 把物理矛盾当技术矛盾处理 | 矛盾矩阵查不到合适原理 | 先问"是不是同一参数？"→是就走分离原理 |
| 3 | 只给方案不给验证 | 用户觉得"理论上对但不敢用" | 每次输出都带验证计划（SPC/Cpk/DOE/灵敏度） |
| 4 | 凭记忆编造矛盾矩阵数值 | 给出错误的原理推荐 | 明确标注"以下为示意，精确数值需查矩阵原文"或读蒸馏文档 |
| 5 | 忽略桥接时机 | 在一个域里死磕太久 | 设定"域内 2 轮无进展→触发桥接"规则 |
| 6 | 输出过于学术化 | 用户看不懂，觉得跟自己没关系 | 每个结论都翻译成"这意味着…"的业务语言 |
| 7 | 混淆 Cp 和 Cpk | 过程能力误判 | Cp=潜在能力（不考虑偏移），Cpk=实际能力（考虑偏移），永远 Cpk ≤ Cp |

---

## 运行稳定性保障（自动化决策引擎）

> **TL;DR**：S1–S10 硬规则（降级/定性/双向候选/松弛/分Part/不拒绝/POST/抗合理化）保证任何边界都自动产出有效回答，不卡死、不空返。

> **设计原则**：本技能必须像程序一样运行——遇到任何边界情况都按确定性规则自动处理，不依赖人工判断、不暂停等待、不返回空结果。以下每条规则都是 `if 条件 then 动作` 的硬编码逻辑。

### 稳定性规则表（优先级从高到低）

| # | 触发条件（IF） | 自动动作（THEN） | 输出格式 | 禁止行为 |
|---|--------------|-----------------|---------|---------|
| S1 | references/ 目录不存在或 Read 报错 | **立即降级到内嵌速查表继续执行**，不询问、不重试 | 在输出末尾追加一行：`[注：基于内置速查表分析，未引用外部蒸馏文档]` | 禁止说"需要查权威来源"、禁止停止执行、禁止询问用户是否要补充文件 |
| S2 | 用户问题完全无数据且无法量化 | **自动切换到定性模式**，用相对排序/专家打分代替数值 | 正常输出，在假设声明中加：`[定性模式：因缺乏定量数据，以下分析基于相对排序，置信度中等]` | 禁止要求用户提供数据后才继续、禁止返回"无法分析" |
| S3 | 矛盾矩阵参数匹配不确定（改善/恶化模糊） | **同时给出两组推荐**（A组：改善X恶化Y + B组：改善Y恶化X），让用户选择 | 输出两张矛盾方案表，标注 `[候选集A]` `[候选集B]` | 禁止只给一组、禁止说"需要更多信息才能确定" |
| S4 | 优化模型无可行解 | **自动松弛约束后重新求解**，给出松弛前后的对比 | 输出：(1)原模型不可行原因 (2)松弛后的可行解 (3)建议放宽哪些约束 | 禁止只报错不给解、禁止让用户自己调整约束 |
| S5 | 问题横跨多域但用户只想要快速答案 | **仍走完整DIO闭环但压缩输出**——内部全算，输出只保留Top-2方案+一句话理由 | 输出格式同正常DIO，但每个域最多3行 | 省略中间步骤≠省略分析质量 |
| S6 | 用户问题**看起来**超出能力边界 | **先用 C1–C3 准则复核，再查 P1–P6 适配协议**；只有三准则确有缺失才判定为真实边界，此时仍需先给力所能及的分析再说明局限 | 若协议可用：直接按协议执行，不提"边界"二字。若确属真边界：先输出可贡献部分，再追加 `[说明：本问题的 XX 维度超出方法论范畴，以上为框架内可提供的参考]` | 禁止跳过 C1–C3 复核直接判定不适用、禁止直接拒绝、禁止说"这不属于我的范围"、禁止说"请选用其他工具/请用XX技能"、禁止只输出跳转指令而不做分析 |
| S7 | 单次输出过长（超过合理长度） | **自动分Part输出**：Part1=诊断结论+Top方案，Part2=详细推导+验证计划 | 用 `--- Part 1/2 ---` 分隔 | 禁止截断关键结论、禁止因为长就跳过步骤 |
| S8 | 问题属于代码/行业/软性/无数据/简单/发散六类"疑似不适用"场景 | **自动启用对应适配协议（P1–P6）+ 交付桥接 P7**，确保闭环终点为可交付物（而非仅分析），无需询问用户 | 正常输出；若经 P7 调用了外部技能/资源，在交付物后加注 `[经 P7 交付桥：调用 XX 产出 YY，已回灌验证]` | 禁止只给分析不给最终交付物、禁止因这六类场景降低分析深度、禁止把协议可覆盖的场景当边界、禁止让用户先补齐条件再来 |
| S9 | 每次实质性 DIO 任务完成 | **强制 POST：向外部账本（默认 `~/.workbuddy/DIO_EVOLUTION/LEDGER.md`，或 `DIO_LEDGER_PATH`）追加一条 `E####` 记录并更新 Pattern Index**；账本不存在则先用 `references/DIO_EXPERIENCE_LEDGER.md` 模板初始化 | 输出末尾可加 `[已写入进化账本 E####]` | 禁止跳过 POST、禁止写入包内 references 模板、禁止覆盖已有账本、禁止把经验只存在会话上下文里（会话结束即丢） |
| S10 | 收尾自检时检测到"为已定结论找理由""选择性忽略反例""把未验证当已证实"等**合理化信号** | **触发抗合理化护栏（V12.0.0 吸收 dev-expert「抗合理化护栏」）**：① 主动构造**反例/证伪**尝试，无法证伪才保留结论；② 未验证项**强制显式披露**（状态=未验证，附"未做X验证"）；③ 若结论仅由偏好驱动，降级标 `[置信度：低·待验证]` 并给出对立假设 | 输出末尾须含 SELF-AUDIT 收尾报告（见统一输出规范）；禁止用"理论上可行""经验上看没问题"替代真实证据、禁止隐瞒未验证项、禁止把 partial 包装成 success |

### 降级链（Fallback Chain）

当主路径不可用时，按以下链条自动降级，**每级都能独立产出有效结果**：

Level 0（最优）：references/ 蒸馏文档存在 → Read 深入分析↓ （Read 失败）Level 1（标准）：SKILL.md 内嵌速查表 + 内嵌案例 → 完整分析（覆盖 80% 场景）↓ （内嵌内容不足以覆盖该子问题）Level 2（兜底）：通用方法论推理（基于TRIZ/OR/QM第一原理推导）↓ （即使推理也缺乏足够信息）Level 3（最终）：明确告知局限 + 给出可操作的最小建议 + 建议下一步方向

**关键规则**：降级链的每一级都必须产出**有内容的回答**，不能在任何一级返回空或"我做不到"。Level 3 是最后防线，至少要告诉用户：(1)为什么常规方法不适用 (2)同类问题的通用解决思路是什么 (3)建议找什么领域的专家。

---

## 异常处理自检清单（标准化响应模板）

> **TL;DR**：统一输出四要素（结构标识/置信度/局限/下一步）+ 4 类场景模板（无文档/模糊/矛盾不确定/无可行解）；错误码见 `references/error_codes.md`。

> **与上一节的关系**："运行稳定性保障"定义了 WHAT（做什么决策），本节定义了 HOW（具体怎么回复）。两者共同确保：无论什么情况，输出风格统一、信息完整、用户不用猜。

### 人工求助判定表（三档升级 · 明确"什么时候该找谁"）

> 消除"不知道这是系统问题还是自己的问题"的困惑：每类情况都有明确归属与标注格式。

| 档位 | 判定条件（IF） | 动作（THEN） | 输出标注 |
|------|--------------|-------------|---------|
| **档1 系统自愈** | 文档缺失 / 输入模糊 / 参数不确定 / 无可行解 / 输出超长 | 按 S1-S8 规则自动降级继续，**不打扰用户** | `[自动处理：XX（规则 S#）]` |
| **档2 需用户输入** | 目标互相冲突无法兼得且拒绝妥协 / 关键物理参数（质量预算/续航/载荷）缺失且定性模式不可替代 / 方案二选一的决策权在用户 | 给出已有分析 + 明确列出"**缺什么、为什么必须由您定**" | `[需要您确认：①…②…]` |
| **档3 建议外部专家** | 超出方法论范畴（实物制造 / 法规适航认证 / 实验执行 / 法律医疗等） | 先给框架内可贡献部分 + 说明局限 + **建议找什么领域专家** | `[超出范畴：建议咨询 XX 领域专家]` |

**判定顺序**：先查档1（能自愈就不打扰）→ 再查档2（只把真正必须用户决策的才抛出）→ 最后档3。**禁止**把档1 可自愈的问题抛给用户（违反 S1-S8），也禁止把档2 的问题闷头编数据（违反诚实原则）。

### 统一输出规范（所有场景必须遵守）

| 要素 | 规范 | 反例（禁止） |
|------|------|-------------|
| 结构标识 | 每段输出必须带明确的章节标题（如 `【矛盾识别】` `【优化决策】`） | 大段文字无标题 |
| 置信度声明 | 当使用降级/定性/估算时，必须在开头或结尾用 `[置信度：高/中/低]` 标注 | 不提置信度让用户误以为精确 |
| 局限说明 | 每次输出末尾必须有一行 `【局限】` 说明本次分析的边界 | 只给结论不说前提 |
| 下一步指引 | 每次输出必须以 `【建议下一步】` 结尾 | 分析完就结束，用户不知道该干什么 |
| SELF-AUDIT 收尾报告 | 每次实质性任务收尾须附 5 字段收尾报告（V12.0.0 吸收 dev-expert「SELF-AUDIT」）：① 做了什么 ② 验证了什么（证据类型+结果） ③ 未验证什么（强制披露） ④ 与初始目标偏差 ⑤ 下次更好 | 缺任一字段、或把"未验证"写成"完成" |

**交付状态四态（V12.0.0 吸收 dev-expert「无证据=未完成」）**：
- `DONE`：已验证，有真实证据支撑（实测/测试通过/数据回灌/对照基准）；
- `PARTIAL`：核心达成但部分项未验证，已显式披露未验证项；
- `UNVERIFIED`：产出存在但**未经任何验证**，必须标注「未验证·勿当结论用」+ 待列验证动作；
- `FAIL`：经验证不达标或无法达成，诚实标注并提供替代路径。
**铁律**：状态≠`DONE` 时不得用"已完成/搞定"等措辞；`UNVERIFIED` 项不得进入用户决策依据，除非用户明确知情采纳。SELF-AUDIT 收尾报告的第②③字段须与上述四态对齐——未验证项不得与已验证项混写。

### 场景 A：找不到蒸馏文档（references/*.md 不存在）

**自动动作**：触发稳定性规则 S1 → Level 1 降级

**标准回复模板**：

[注：基于内置速查表分析，未引用外部蒸馏文档]

【分析过程】（正常走DIO流程，使用内嵌速查表和案例）

【局限】本次分析基于SKILL.md内嵌的核心知识（覆盖约80%常用场景）。如需更深度的方法细节（如矛盾矩阵精确数值、Cp/Cpk完整公式推导），可补充 references/ 蒸馏文档后重新分析。

【建议下一步】（具体行动项）

### 场景 B：问题描述模糊无法路由

**自动动作**：触发稳定性规则 S2 → 定性模式 + 默认全闭环

**标准回复模板**：

[定性模式：因问题描述较宽泛，以下分析基于典型场景推断，请在阅读后纠正不符之处]

【预判路由】我初步判断这可能涉及 X 域（因为…），但也可能涉及 Y 域。下面按 DIO 全闭环给出结构化分析，你确认方向后我可以深入特定域。

【DIO 分析】（给出完整的但简洁的全闭环分析）

【需要你确认】（列出 2-3 个关键确认点，用 AskUserQuestion 格式）

### 场景 C：矛盾矩阵查询结果不确定

**自动动作**：触发稳定性规则 S3 → 双向推荐

**标准回复模板**：

[注：矛盾参数存在语义重叠，以下给出两组候选推荐]

【候选集 A】（假设改善 #X 恶化 #Y）推荐原理：#a, #b, #c 对应方案：…

【候选集 B】（假设改善 #Y 恶化 #X）推荐原理：#d, #e, #f 对应方案：…

【建议】如果你的核心诉求是"提高X"，选A组；如果是"降低Y"，选B组。两组可能有交集（如原理#a同时出现在两组中），交集部分为高可信推荐。

### 场景 D：优化模型无可行解

**自动动作**：触发稳定性规则 S4 → 松弛求解

**标准回复模板**：

[注：原始约束下无可行解，已自动松弛约束后求解]

【不可行原因分析】约束 C_i 和 C_j 存在冲突：（具体说明哪两个约束矛盾）

【松弛后可行解】（松弛变量 ε 引入后的新方案）目标值：… 需要放宽的约束及幅度：…

【灵敏度建议】如果可以接受将 [约束名] 放宽 [幅度]，则可获得上述收益。否则建议转入突破域(TRIZ)，用发明原理重构问题本身。

### 错误码速查（快速索引 + 消息模板）

> **TL;DR**：任何异常都带 `[E-NNN]` 前缀，用户凭码在 `references/error_codes.md` 自纠，或贴回对话精准续跑。完整 14 条见该文件。

**统一错误消息模板（所有异常必须遵守）**：

[E-NNN] 标题一句话· 你可做：<用户自纠步骤> · 需要我：<系统将自动执行的降级动作 / 转人工触发词>

**高频错误码速查（Top 6）**：

| 码 | 含义 | 你可做 |
|----|------|--------|
| E101 | 问题信息不完整 | 补"目标 + 至少 1 个约束" |
| E202 | 矛盾无法识别 | 用"想要A，代价B变差"重述 |
| E301 | 关键数据缺失 | 给值/区间，或说"用典型值" |
| E401 | 模型无可行解 | 看松弛对比，决定放宽哪条约束 |
| E502 | 外部 Skill/工具不可用 | 执行安装命令，或切等价内嵌 |
| E601 | 命中真实能力边界 | 说明想要什么量化参考 |

> 错误码 ↔ 稳定性规则映射、逐码「现象/根因/自纠」详见 `references/error_codes.md`。该文件缺失时，本速查表即为降级版本（满足 S1）。

### 反模式与 FAQ 集中索引

为避免新手重复踩坑，把"易错点"与"高频问答"集中索引如下（详细条目见上文「FAQ 与避坑指南」与 `references/error_codes.md`）：

| 类型 | 索引 |
|------|------|
| 新手易错点 | 避坑指南 #1–#7（跳过路由 / 物理矛盾误判 / 只给方案不验证 / 编造矩阵 / 忽略桥接 / 过度学术 / 混淆 Cp Cpk） |
| 错误处理 | `references/error_codes.md`（14 条 + 自纠指引） |
| 常见问答 | FAQ Q1–Q5（DIO vs DMAIC / 39参数 / 无数据 / 轮次 / 公式手算） |
| 降级路径 | 运行稳定性保障 S1–S9 + 降级链 Level 0–3 |