Morphism Mapper

模式二：对话引导（问题求解）

直接描述问题，自动进入四阶段流程：

1. Category Extraction - 提取范畴骨架
2. Domain Selection - 推荐 Domain B
3. Functorial Mapping - 执行结构映射
4. Pull-back & Synthesis - 生成提案

模式三：领域知识管理（新增功能 v2.5）

新增领域：

• /morphism-add-domain "领域名称" - 基于V2标准创建新领域
• /morphism-add-domain "易经思想" - 示例：增加易经思想领域
• /morphism-add-domain "中医" - 示例：增加中医领域
• /morphism-list-domains - 查看所有领域（包括自定义）

快捷用法示例：

• "morphism-mapper技能增加易经思想领域" → 自动创建易经思想领域文件
• "增加中医领域到morphism-mapper" → 自动创建中医领域文件
• "新增领域：孙子兵法" → 自动创建孙子兵法领域文件

内置领域清单（v2.5 - 27个领域）

物理学与复杂性科学

• quantum_mechanics - 量子力学（叠加态、不确定性、纠缠）
• thermodynamics - 热力学（能量、熵、耗散结构）
• information_theory - 信息论（熵、信道容量、噪声）
• complexity_science - 复杂性科学（涌现、混沌、自组织）

生命科学与认知

• evolutionary_biology - 进化生物学（选择、适应、关键创新）
• ecology - 生态学（种群、共生、生态位）
• immunology - 免疫学（识别、记忆、耐受）
• neuroscience - 神经科学（神经可塑性、预测编码）
• zhuangzi - 庄子哲学（变化、尺度、相对性）

系统与控制

• control_systems - 控制系统（反馈、调节、稳定）
• distributed_systems - 分布式系统（一致性、共识、分区容错）
• network_theory - 网络理论（节点、连接、传播）

数学与运筹

• game_theory - 博弈论（策略、均衡、信号）
• operations_research - 运筹学（优化、约束、排队）
• second_order_thinking - 二阶思维（反馈延迟、意外后果）

经济与社会

• behavioral_economics - 行为经济学（认知偏差、损失厌恶）
• social_capital - 社会资本（网络、信任、结构洞）
• incentive_design - 激励机制设计（动机、委托代理）
• linguistics - 语言学（符号、意义、隐喻）

战略与创新

• military_strategy - 军事战略（机动、后勤、OODA）
• innovation_theory - 创新理论（颠覆性、S曲线、网络效应）
• kaizen - 精益/持续改善（浪费消除、PDCA、现场）
• antifragility - 反脆弱性（凸性、选择权、杠铃策略）
• mythology - 神话学/原型（英雄之旅、阈限、阴影）

⭐ 新增领域（v2.5）

• anthropology - 人类学（文化、田野调查、参与观察）
• religious_studies - 宗教学（神圣与世俗、仪式、象征）
• mao_zedong_thought - 毛泽东思想（实践论、矛盾论、持久战）

自定义领域

• custom/* - 用户添加的自定义领域

执行协议

Phase 0: Context Anchoring (隐式执行) ⚓

在开始任何推演前，必须先建立 User Profile (C_user)。若用户未提供以下信息，在执行 Phase 1 前先反问用户，或根据对话历史进行 Zero-shot 侧写。

用户画像三要素：

• Identity: 用户是谁？（高管/创业者/学生/独立开发者/研究员/投资者）
• Resources: 手里有什么牌？（资金/技术栈/团队规模/核心数据/时间/人脉）
• Constraints: 绝对不能触碰的底线？（合规/成本上限/时间窗口/伦理边界/物理定律）

用户画像推断 Zero-shot 模板： 当用户未明确提供画像时，根据以下维度进行 Zero-shot 侧写：

Identity Signals:
- 用词风格（"团队"vs"我"、"融资"vs"收入"、"战略"vs"功能"）
- 问题复杂度（组织级/产品级/个人级）
- 时间视角（季度/年度/五年规划）

Resource Inference:
- 资金规模（暗示："试错成本"→充裕；"预算有限"→紧张）
- 团队规模（"跨部门"→大组织；"全栈"→小团队）
- 技术债务（"重构"vs"重写"vs"渐进式"）

Constraint Detection:
- 显性约束（用户直接声明的限制）
- 隐性约束（行业默认、物理规律、伦理边界）
- 软约束（可协商vs不可协商）

不同用户类型的典型约束示例表：

Context Injection 规则与示例：

1. 明确画像注入：将 Constraints 硬编码到映射逻辑中

   输入: "如何扩大市场份额"
   用户: 上市公司高管
   注入: 映射时自动过滤"价格战""灰色地推"等违规策略
   

2. 模糊画像标注：生成提案时标注适用场景

   【方案 A】⚠️ 适用性标注：需要 6 个月预算周期，适合资源充足组织
   【方案 B】✓ 适用性标注：可 2 周内验证，适合资源受限场景
   

3. 典型场景示例：

   用户类型	典型输入	错误建议 ❌	正确建议 ✅
   马斯克型	"如何制造火箭"	"先小规模试错"	"从第一性原理拆解材料成本"
   独立开发者	"如何获得用户"	"建立销售团队"	"构建产品驱动增长机制"
   初创公司	"如何对抗巨头"	"正面竞争"	"寻找非对称优势点位"
   传统行业	"如何数字化转型"	"全面上云"	"从数据孤岛打通开始"

4. 动态约束检测：若用户反对某类建议，将其加入永久 Constraints 清单

Phase 1: Category Extraction

将用户输入拆解为：

• Objects (O_a): 核心实体
• Morphisms (M_a): 实体间动态关系
• Identity & Composition: 维持现状的机制

Phase 2: Domain Selection (v3.0 - 基于Morphism结构匹配) 【强制执行】⚙️

核心改进：从Objects名称匹配转向Morphism结构匹配，通过 scripts/domain_selector.py 实现智能选择。数据文件位于 assets/morphism_tags.json。

【强制执行】 完成 Phase 1 后，必须执行以下步骤：

1. 将 Phase 1 提取的 O_a 和 M_a 保存为 JSON 格式
2. 运行 python scripts/domain_selector.py 进行智能领域选择
3. 获取输出结果中的推荐领域列表
4. 基于推荐结果继续 Phase 3

执行代码示例：

import subprocess
import json

# 准备输入数据
input_data = {
    "objects": O_a,  # Phase 1 提取的 Objects
    "morphisms": M_a,  # Phase 1 提取的 Morphisms
    "user_profile": user_profile  # 可选：用户画像类型
}

# 保存到临时文件
with open("/tmp/morphism_input.json", "w", encoding="utf-8") as f:
    json.dump(input_data, f, ensure_ascii=False)

# 执行领域选择器
result = subprocess.run(
    ["python", "scripts/domain_selector.py", "--problem", "/tmp/morphism_input.json"],
    capture_output=True, text=True, cwd="/Users/pinren/.claude/skills/morphism-mapper"
)

# 解析结果
selected_domains = json.loads(result.stdout)
print(f"推荐领域: {[d['domain'] for d in selected_domains['selected_domains']]}")

Phase 2.0: 候选域筛选

基础过滤（由 domain_selector.py 自动执行）：

1. 反重复过滤：排除 last_domain_b（上次使用的领域）
2. 熵值衰减过滤：过去10次使用>3次的领域，权重-50%

Phase 2.1: 用户Morphism标签提取

由 domain_selector.py 自动提取，无需手动操作。提取逻辑：

• 遍历每个 Morphism 的 dynamics 描述
• 匹配 assets/morphism_tags.json 中的 indicators 关键词
• 返回匹配的标签列表

示例：

O_a = ["公司", "产品", "用户"]
M_a = [
    {"from": "产品", "to": "用户", "dynamics": "价值传递与反馈收集"},
    {"from": "用户", "to": "产品", "dynamics": "需求反馈驱动改进"}
]

# domain_selector.py 自动提取的标签
user_tags = ["flow_exchange", "feedback_regulation", "learning_adaptation"]

16种核心动态标签：

• feedback_regulation - 反馈调节
• feedforward_anticipation - 前馈预见
• learning_adaptation - 学习适应
• evolution_development - 演化发展
• competition_selection - 竞争选择
• cooperation_symbiosis - 合作共生
• information_processing - 信息处理
• stabilization_equilibrium - 稳定均衡
• flow_exchange - 流动交换
• structural_organization - 结构组织
• optimization_search - 优化搜索
• diffusion_propagation - 扩散传播
• transformation_conversion - 转化转变
• emergence_generation - 涌现生成
• exploration_exploitation - 探索利用
• oscillation_fluctuation - 振荡波动

Phase 2.2: 结构相似度计算

算法逻辑（无需LLM，基于 assets/morphism_tags.json）：

for each domain in database:
    for each morphism in domain:
        # 完全匹配：用户标签 == Morphism标签 → +100分
        # 相关匹配：标签相关但不完全相同 → +50分
        score = calculate_match_score(user_tags, morphism_tags)
    
    domain_score = normalize(total_score)

标签关联关系（示例）：

• feedback_regulation ↔ feedforward_anticipation（相关）
• learning_adaptation ↔ evolution_development（相关）
• competition_selection ↔ cooperation_symbiosis（对立但相关）

Phase 2.3: 用户画像加权

根据6种用户类型调整领域权重：

意外性奖励：非理科领域（神话学、人类学、庄子哲学、宗教学）额外+10%

Phase 2.4: 多域组合生成

复杂度判定：

• 简单问题（O_a ≤ 5 且 M_a ≤ 7）：选择Top 1领域
• 复杂问题（O_a > 5 或 M_a > 7）：选择Top 5领域组合

组合原则：

1. 维度互补：不同领域覆盖问题的不同维度
2. 避免同构：不选择结构过于相似的领域
3. 渐进验证：从单域→双域→三域逐步增加

Phase 2.5: 执行选择

【重要】用户选择交互步骤：

完成 domain_selector.py 执行后，必须停下来等待用户选择，不得自动继续到 Phase 3。

输出格式（向用户展示）：

**智能领域选择完成** 🎯

| 排名 | 领域 | 匹配分数 | 推荐理由 |
|------|------|----------|----------|
| 1️⃣ | **thermodynamics** 热力学 | 0.67 | flow_exchange + transformation_conversion |
| 2️⃣ | **quantum_mechanics** 量子力学 | 0.50 | oscillation_fluctuation + transformation_conversion |
| 3️⃣ | **zhuangzi** 庄子哲学 | 0.50 | oscillation_fluctuation + transformation_conversion |
| 4️⃣ | **network_theory** 网络理论 | 0.50 | flow_exchange + diffusion_propagation |
| 5️⃣ | **social_capital** 社会资本 | 0.50 | flow_exchange + cooperation_symbiosis |

**用户标签提取**: [标签列表]
**问题复杂度**: Simple / Complex

---

**请选择**：
- 输入 **1-5** 选择对应领域进行映射
- 输入 **0** 查看 Top 10 的后5位（6-10名）
- 输入 **自定义领域名称** 使用用户指定领域

用户选择处理：

1. 输入 1-5：直接使用该选择继续 Phase 3
2. 输入 0：显示 Top 10 的第6-10名，格式：

   **Top 10 第6-10名**：
   
   | 排名 | 领域 | 匹配分数 | 推荐理由 |
   |------|------|----------|----------|
   | 6️⃣ | **antifragility** 反脆弱性 | 0.45 | ... |
   | 7️⃣ | **control_systems** 控制系统 | 0.42 | ... |
   | 8️⃣ | **kaizen** 精益改善 | 0.38 | ... |
   | 9️⃣ | **innovation_theory** 创新理论 | 0.35 | ... |
   | 🔟 | **second_order_thinking** 二阶思维 | 0.32 | ... |
   
   **请选择**：
   - 输入 **1-5** 选择对应领域
   - 输入 **6-10** 选择上述领域
   - 输入 **自定义领域名称**
   

3. 输入自定义领域名：验证领域是否存在，若存在则继续 Phase 3

domain_selector.py 内部输出格式（供内部使用）：

{
  "top_domains": [
    {
      "domain": "control_systems",
      "score": 0.85,
      "best_matches": [
        {"tag": "feedback_regulation", "score": 100, "type": "exact"}
      ],
      "reasoning": "用户问题包含反馈回路结构，与control_systems的反馈调节机制高度匹配"
    }
  ],
  "user_tags": ["feedback_regulation", "flow_exchange"],
  "complexity_level": "simple"
}

知识引用原则 (Grounding Mechanism)：

1. 优先索引：首先检索 references/ 目录下的 V2 标准库
2. 外部验证：若选用库外领域，必须验证定理真实性
3. 幻觉阻断：禁止捏造定理名称
4. 引文标注：每个定理标注来源文件

V2领域结构： 每个领域文件包含以下标准化结构：

• Fundamentals: 100基本基石（导语 + 18哲学观 + 22核心原则 + 28思维模型 + 22方法论 + 10避坑指南）
• Core Objects: 14个核心对象（含定义、本质、关联）
• Core Morphisms: 14个核心态射（含定义、涉及、动态）
• Theorems: 18个定理/模式（含内容、Applicable_Structure、Mapping_Hint、Case_Study）

Phase 3: Functorial Mapping

建立映射函数 F: A -> B：

• F(O_a) = O_b
• F(M_a) = M_b
• 在 Domain B 中寻找已证实的定理

关键：Mapping_Hint 的具体可操作性

每个定理的 Mapping_Hint 遵循以下格式：

"当 Domain A 面临[具体情境]时，识别[具体结构]，通过[具体方法]实现[具体目标]"

这是 V2 版本的核心质量特征。

Phase 4: Pull-back & Synthesis

将 Domain B 的定理逆映射回 Domain A，生成具体可执行的方案。

Phase 4.1: Commutativity Check (逻辑验算) ⚠️

【强制执行】 在生成【推演提案】前，必须验证映射的逆运算合理性：

验证步骤

1. 正向路径验证：A(问题) → B(定理) → A'(方案)

   • 确认 F(O_a) = O_b 的对象映射保持语义
   • 确认 F(M_a) = M_b 的关系映射保持动态

2. 逆向路径验证：如果直接在 A 中执行该方案，是否违反 A 的基础公理？

   • 法律公理：方案是否违反法律法规？
   • 物理公理：方案是否违反物理定律？
   • 伦理公理：方案是否违反伦理底线？
   • 经济公理：方案是否违反经济规律？

3. 结构守恒检查：Morphsim 是否被篡改？

   • 检查映射是否保持了原结构的本质
   • 非法映射示例：
     • B 中的"捕食"映射回 A 变成了"恶性竞争"
     • 如果 A 是合作生态，则此映射非法，需丢弃
   • 合法映射示例：
     • B 中的"共生"映射回 A 仍然是"互利共赢"
     • 结构一致，映射有效

失败处理

若 Commutativity Check 失败：

1. 标记该映射路径为"结构不兼容"
2. 返回 Phase 2 重新选择 Domain B
3. 或触发 koan_break 模块进行问题重构

检查清单

• 正向映射逻辑清晰
• 逆向验证无公理冲突
• 结构保持未被篡改
• 方案在 A 域中可执行

新增领域工作流程（v2.5 新增）

当用户请求"增加XX领域"时：

Step 1: 需求理解

• 确认领域名称和核心关注点
• 识别该领域的关键学者/著作
• 确定 Structural_Primitives（5-10个核心概念）

Step 2: 生成领域文件

按照 V2 标准格式创建领域文件：

# Domain: [领域名称]
# Source: [关键学者《著作》, ...]
# Structural_Primitives: [核心概念列表]

## Fundamentals (100 基本基石)

### 导语
[100-150字，点破该领域最核心矛盾，冷峻简练宗师口吻]

### 一、哲学观 (18条)
[编号1-18，每条≤20字，有力简练，无常识]
...

### 二、核心原则 (22条)
[编号19-40，每条≤20字]
...

### 三、思维模型 (28条)
[编号41-68，每条≤20字]
...

### 四、关键方法论 (22条)
[编号69-90，每条≤20字]
...

### 五、避坑指南 (10条)
[编号91-100，每条≤20字]
...

## Core Objects (14个)
- **[Object 1]**: [定义]
  - *本质*: [一句话本质]
  - *关联*: [关联对象]
...

## Core Morphisms (14个)
- **[Morphism 1]**: [定义]
  - *涉及*: [涉及对象]
  - *动态*: [动态描述]
...

## Theorems / Patterns (18个)

### 1. [定理名称]
**内容**: [定理详细描述]

**Applicable_Structure**: [适用结构]

**Mapping_Hint**: [具体可操作："当Domain A...时，识别...，通过...实现..."]

**Case_Study**: [案例研究]
...

## Tags
[标签列表]

Step 3: 质量标准验证

• 100条完整，每条≤20字
• 导语点破核心矛盾
• Objects共14个
• Morphisms共14个
• Theorems共18个
• 每个Theorem有完整4字段
• Mapping_Hint具体可操作

Step 4: 保存到 custom/ 目录

• 保存为 references/custom/[domain_name]_v2.md
• 更新领域索引

Refinement Loop（按需挂载高级模块）

基础四阶段流程完成后，根据情况自动或手动挂载以下模块：

触发映射速查

自动触发规则

⚠️ 触发词边界说明: 不同模块的触发词有明确的语义边界，避免冲突

核心流程自动触发:

• Domain Selector (Phase 2): 【强制执行】完成 Phase 1 (Category Extraction) 后自动执行
  • 触发条件: 提取到 O_a 和 M_a 后
  • 执行: python scripts/domain_selector.py
  • 输入: O_a, M_a, user_profile
  • 输出: 推荐领域列表 (Top 1 或 Top 5)
  • 说明: 这是 v3.0 核心改进，必须执行以确保领域选择的客观性和一致性

按需挂载模块自动触发:

• Yoneda Probe: 当 Domain A 中关键对象属性缺失 >30% 时

  • 关键词: "看不穿"、"查不到"、"黑盒"、"信息不足"

• Natural Transformation: 当用户输入包含时间/状态变化相关词汇时

  • 关键词: "环境变了"、"风向调了"、"策略失效"、"视角冲突"、"颗粒度"
  • 语义边界: 处理的是"从 A 状态平滑过渡到 B 状态"，不是空间扩展

• Monad Risk Container: 每次生成【推演提案】前自动执行（在 Phase 4.1 之后，adjoint_balancer 之前）

  • 关键词: "合规吗"、"风险"、"合法吗"、"可以吗"
  • 作用: 自动识别方案的 [🛡️ 法律熵] [💸 隐性债] [❤️ 信任能] 风险

• Adjoint Balancer: 每次生成【推演提案】前自动执行

• Limits/Colimits: 当使用 3+ 个 Domain B 或用户要求"交叉验证"时

• Kan Extension: 当用户输入包含空间/规模复制相关词汇时 ⭐

  • 关键词: "复制到XX市场"、"如何规模化"、"下沉市场"、"推广到全国"、"从1到N"、"泛化"
  • 语义边界: 处理的是"把已验证的模式 S 复制到新的空间 C"，不是时间变化
  • 与 NT 的区别:
    • NT: "业务从 A 模式转型到 B 模式"（时间维度，替换）
    • Kan: "把 A 模式的成功复制到 B 市场"（空间维度，扩展）

• Koan Break: 当遍历所有 Domain B 均无法映射、或 Phase 4.1 Commutativity Check 连续失败 3 次、或用户问题存在逻辑悖论时

• 新增领域工作流: 当用户输入包含"增加"、"新增"、"添加"、"扩展" + "领域"时（注意：这里的"扩展"指的是扩展知识库，不是业务扩展）

手动触发命令

• /morphism-yoneda - 强制启动米田探针
• /morphism-pivot - 强制启动策略演化分析 (Mode C)
• /morphism-view - 强制启动视角对齐 (Mode A)
• /morphism-zoom - 强制启动颗粒度缩放 (Mode B)
• /morphism-risk - 强制启动风险识别 (Monad Risk Container) ⭐ v2.7 新增
• /morphism-monad - 强制启动风险识别 (别名)
• /morphism-balance - 强制启动可行性校验
• /morphism-limit - 提取跨域共同核心
• /morphism-colimit - 整合互补洞察
• /morphism-scale - 强制启动尺度变换 (Kan Extension)
• /morphism-koan - 强制启动问题重构 (Koan Break)
• /morphism-add-domain "领域名" - 新增自定义领域

模块链式调用

完整执行链（含强制执行节点）：

Phase 1: Category Extraction
    ↓
【强制执行】Phase 2: Domain Selector (scripts/domain_selector.py)
    ↓
【暂停等待用户选择】输出 Top 5 推荐 → 用户选择领域
    - 输入 1-5：选择对应领域
    - 输入 0：查看 Top 10 后5位
    - 输入自定义领域名：使用用户指定领域
    ↓
Phase 3: Functorial Mapping (用户确认后执行)
    ↓
Phase 4: Pull-back & Synthesis
    ↓
Phase 4.1: Commutativity Check
    ↓
【按需挂载】yoneda_probe → natural_transformation → limits_colimits → kan_extension
    ↓
【强制执行】monad_risk_container
    ↓
【强制执行】adjoint_balancer

说明:

• Phase 2 (Domain Selector) 执行后必须暂停，等待用户确认
• 暂停等待用户选择 是新的强制执行节点，确保用户参与领域决策
• 其他模块为按需挂载，根据触发条件自动激活
• 默认优先级：yoneda_probe → natural_transformation → limits_colimits → kan_extension → monad_risk_container → adjoint_balancer

说明:

• Phase 2 (Domain Selector) 和 Phase 4.1 后的模块 为强制执行节点
• 其他模块为按需挂载，根据触发条件自动激活
• 默认优先级：yoneda_probe → natural_transformation → limits_colimits → kan_extension → monad_risk_container → adjoint_balancer

逻辑解释:

1. Yoneda Probe: 补全信息，明确问题结构
2. Natural Transformation: 处理视角对齐或环境变化
3. Limits/Colimits: 多域交叉验证，提取共同核心
4. Kan Extension: 将验证成功的局部方案扩展到全局
5. Monad Risk Container: 识别并标注法律/成本/信任风险 ⚠️ v2.7 新增
6. Adjoint Balancer: 最终可行性校验（强制执行）

输出格式

### 【范畴骨架】- Domain A
| 类型 | 元素 | 说明 |
|------|------|------|
| Object | ... | ... |
| Morphism | ... | ... |

### 【异构域】- Domain B
**选择理由**: ...

### 【映射矩阵】
| Domain A | 映射关系 | Domain B | 同构性验证 |
|----------|----------|----------|------------|
| ... | ≅ | ... | ... |

### 【推演提案】
1. **方案标题**
   - **来源定理**: ...
   - **映射逻辑**: ...
   - **可执行方案**: ...
   - **预期效果**: ...
   - **验证方式**: ...

### 【可选模块输出】

#### 【Yoneda 拓扑画像】（若挂载 yoneda_probe）
通过关系网反推的核心对象定义...

#### 【策略演化路径】（若挂载 natural_transformation）
从旧逻辑到新逻辑的迁移桥梁...

#### 【跨域元逻辑】（若挂载 limits_colimits）
多 Domain B 的共同核心与互补整合...

#### 【风险容器检查】（强制执行 monad_risk_container）
识别并标注法律/成本/信任风险：
- [🛡️ 法律熵] 合规性检查...
- [💸 隐性债] 隐性成本识别...
- [❤️ 信任能] 信任消耗评估...

#### 【伴随解】（强制执行 adjoint_balancer）
成本-结构最优落地方标注...

约束

• 禁止泛泛类比，必须基于结构对齐
• Domain B 必须具备硬核知识底蕴
• 输出必须包含"不可直视"的洞察
• 新增领域必须符合 V2 质量标准（100基石 + 14O + 14M + 18T）

扩展

自定义领域路径: references/custom/

用户可添加自定义领域到 custom/ 目录，参照 V2 标准格式。

新增领域快捷指令：

• 直接说："增加易经思想领域"
• 直接说："morphism-mapper新增中医领域"
• 直接说："扩展领域：孙子兵法"

系统会自动：

1. 识别领域名称
2. 询问/推断关键学者和著作
3. 按照 V2 标准生成领域文件
4. 保存到 custom/ 目录

详细参考

• 领域知识库格式：references/_template.md
• 内置领域详情：references/*.md (V2版本，100基石+14O+14M+18T)
• V1备份：references/v1_backup/ (旧版本备份)
• 自定义领域：references/custom/ (用户添加)
• 使用示例：examples/few_shot_prompts.md