# 方法论工具箱 > 现象学还原、正反合、可证伪主义、形式化方法等提效工具。 > 目标：把"vibe（探索）"系统化为"可验证、可迭代、可收敛"的工程产出。 > 每个方法给出：用途 / 落地动作 / Python工具 / 可复制提示词。 ### 目录定位 `philosophy/` 存放哲学方法论、思维模型、编程哲学和底层认知模型。它回答的不是“下一步命令是什么”，而是“为什么这样判断、如何减少幻觉、如何让复杂问题可描述、可推理、可验证”。 适合： - 需要提升问题抽象、系统理解和长期工程判断的人。 - 需要为 AI Agent 提供更稳定认知框架的任务。 - 已经掌握入门流程，希望把经验沉淀成可迁移方法的人。 ### 怎么选 | 目标 | 先读 | |:---|:---| | 想快速获得可复用认知工具 | [思维模型](thinking-models.md) | | 想描述复杂系统的对象、状态和变化 | [组合描述模型](compositional-description-model.md) | | 想理解代码、结构、状态和复杂度 | [编程之道](programming-dao.md) | | 想理解真实工程里的需求、维护、质量、权衡和协作 | [软件工程的朴素真理](software-engineering-truths.md) | | 想把探索过程变成可验证工程流程 | 本文件的方法论工具箱 | ### 相关文档 - [思维模型](thinking-models.md) - 第一性原理、奥卡姆剃刀、网络效应、多阶思维、状态空间等可复用认知工具。 - [编程之道](programming-dao.md) - 用更抽象的方式理解代码、结构、状态、复杂度与工程判断。 - [软件工程的朴素真理](software-engineering-truths.md) - 用底层常识理解代码、复杂度、需求、维护、质量、架构与团队。 - [组合描述模型](compositional-description-model.md) - 对象、状态、快照、序列、过程、变换、同一/差异与关系。 ### 目录 - [总体作业流](#总体作业流) - [推荐底座](#推荐底座python) - [方法论](#方法论) - [1. 现象学还原](#1-现象学还原悬置假设) - [2. 正反合](#2-正反合三段迭代) - [3. 可证伪主义](#3-可证伪主义波普尔) - [4. 形式化方法](#4-形式化方法轻量形式化) - [5. 奥卡姆剃刀](#5-奥卡姆剃刀最小复杂度) - [6. 实用主义](#6-实用主义以指标为准) - [7. 系统论/整体论](#7-系统论整体论边界与反馈回路) - [8. 诠释学](#8-诠释学语境澄清) - [9. 钢人化原则](#9-钢人化原则最强版本理解) - [10. 决策论/机会成本](#10-决策论机会成本可逆优先) - [11. 反事实推理](#11-反事实推理counterfactuals) - [12. 溯因推理](#12-溯因推理abduction最佳解释) - [13. 贝叶斯式信念更新](#13-贝叶斯式信念更新与溯因配合) - [14. 反思平衡](#14-反思平衡reflective-equilibrium) - [15. 概念分析/概念工程](#15-概念分析-概念工程) - [16. 方法论怀疑](#16-方法论怀疑笛卡尔式) - [17. 视角三角测量](#17-视角三角测量triangulation) - [18. 机制解释](#18-机制解释mechanistic-explanation) - [19. 错误认识论](#19-错误认识论error-epistemology) - [20. 实验哲学](#20-实验哲学x-phi) - [21. 计算哲学](#21-计算哲学computational-philosophy) - [22. 自然化认识论](#22-自然化认识论naturalized-epistemology) - [23. 贝叶斯认识论](#23-贝叶斯认识论bayesian-epistemology) - [附录](#附录) - [使用指南](#使用指南) --- ### 总体作业流 建议默认流程： 1. **现象卡片**（现象/意图/情境/边界）→ 清零脑补 2. **规格化**（类型+schema+错误语义+不变式）→ 可机器检查 3. **检查器**（单测+性质测试+lint+类型检查+关键断言）→ 可证伪 4. **最小实现**（main path）→ 快速跑通 5. **反例驱动**（Hypothesis/边界/差分/基准）→ 找到失败模式 6. **收敛重构**（删复杂度、固化概念、稳定接口、补文档）→ 可维护 --- ### 推荐底座（Python） ```text ruff + black + pyright(或 mypy) + pytest + hypothesis + pydantic(msgspec可替代) ``` --- ### 方法论 #### 1. 现象学还原（悬置假设） **用途**：需求含糊、模型脑补、Bug难复现时，先把"解释/偏好"清零，回到可观察事实与可复现结构。 **落地动作**： - 先写四件套：现象(实际) / 意图(期望) / 情境(环境约束) / 边界(明确不做) - 输出最小可复现体 MRE：最小输入 + 最小脚本 + 复现步骤 + 预期vs实际 - 把抽象词降维：快/稳/好用 → 指标&验收用例 **Python工具**：`pytest`（MRE脚本）、日志、最小数据样例 **提示词**： ```text 先做现象学还原：不要推测原因。输出：现象/意图/情境/边界/未确定项/MRE；然后再给最小修复与测试。 ``` --- #### 2. 正反合（三段迭代） **用途**：把一次性"写到完美"替换为可控三轮：快速可用 → 反例打脸 → 收敛为工程版本。 **落地动作**： - **正**：只做 main path，让它跑通 - **反**：列失败模式（边界/空值/并发/权限/超时/性能），用测试与基准逼出反例 - **合**：重构接口/收敛依赖/补文档与回归，形成下一轮稳定起点 **Python工具**：`pytest` + `hypothesis` + `ruff/black` + profiling/benchmark **提示词**： ```text 按正反合输出：1)最小可运行实现 2)反例与失败模式+测试 3)综合后的重构方案与最终代码。 ``` --- #### 3. 可证伪主义（波普尔） **用途**：把"看起来对"变成"暂时无法证伪"；显著降低隐藏 bug。 **落地动作**： - 每个关键断言都要配一个能让它失败的测试（边界/随机/反例） - 优先性质测试而非只写示例测试 **Python工具**：`hypothesis`（性质/模糊）、`pytest` **提示词**： ```text 为该实现列出 5 个可证伪点，并为每个点写一个最小测试（优先 Hypothesis 性质测试）。 ``` --- #### 4. 形式化方法（轻量形式化） **用途**：减少非法状态、约束模型输出、让行为可检查可累积。 **落地动作**： - **先规格**：类型 + schema + 不变式 + 错误集合（异常或 error object）+ 复杂度约束（可选） - **再检查器**：类型检查 + 运行时校验 + 断言/契约 + 性质测试 - **最后实现**：逐条映射规格（谁保证哪条约束） **Python工具**： - `typing`（Literal/NewType/Protocol/TypedDict/Annotated） - `pyright/mypy` - `pydantic/msgspec`（输入输出校验） - `assert` / `icontract` / `deal` - `pytest` + `hypothesis` **提示词**： ```text 先输出形式化规格（类型/schema/不变式/错误语义），再给至少 3 条 Hypothesis 性质测试，最后写实现并逐条说明满足关系。 ``` --- #### 5. 奥卡姆剃刀（最小复杂度） **用途**：避免模型引入不必要框架/抽象；提升可维护性与迭代速度。 **落地动作**： - 要求两套方案：常规版 vs 简化版；以测试为准删复杂度 - 优先标准库、减少依赖、减少可变状态、减少层级 **Python工具**：`ruff`（复杂度/风格）、依赖审计（requirements最小化） **提示词**： ```text 在满足全部测试与验收的前提下，把实现复杂度删掉 30%：减少依赖、状态和抽象层，并解释删减理由。 ``` --- #### 6. 实用主义（以指标为准） **用途**：避免"优化方向漂移"；每轮明确一个可量化目标。 **落地动作**： - 先定义成功指标（P95延迟/错误率/成本/内存/可维护性） - 每轮只优化一个指标；其余保持不退化（用基准/回归锁住） **Python工具**：`pytest-benchmark` 或简单计时；日志与指标；回归测试 **提示词**： ```text 把需求转成指标与验收阈值，并给出测量方法；本轮只优化 X 指标，保证其它指标不退化。 ``` --- #### 7. 系统论/整体论（边界与反馈回路） **用途**：复杂系统容易在耦合点失控；缩短反馈回路提效最大。 **落地动作**： - 先画数据流/依赖边界：I/O 放边缘，核心逻辑保持纯函数 - 优先解耦高耦合点；把慢依赖换成桩/模拟以加速测试 **Python工具**：依赖注入（轻量）、`pytest fixtures`、纯函数设计 **提示词**： ```text 画出数据流与依赖边界，指出最高耦合点与最短反馈回路改造方案；给出可测试的纯函数核心与 I/O 适配层。 ``` **扩展阅读**： - [控制论与科学方法论](#控制论与科学方法论) - 用“可能性空间/反馈/信息/黑箱/可证伪”解释从试错到收敛的机制 --- #### 8. 诠释学（语境澄清） **用途**：需求文本有歧义，模型与人对同一词理解不同。 **落地动作**： - 先复述需求 + 歧义清单 + 默认选择（必须显式） - 默认选择写入 docstring/README/类型定义 **Python工具**：docstring、类型与 schema 固化默认 **提示词**： ```text 先复述需求并列出所有歧义点；对每个歧义给默认策略与理由；确认后再写实现与测试。 ``` --- #### 9. "钢人化"原则（最强版本理解） **用途**：减少无效争论/误解；让重构建议更贴近原意图。 **落地动作**： - 先把现有方案表达成最强版本（目标、约束、权衡） - 再提出改进（保留其优势，指出代价） **Python工具**：PR描述结构化（优点/风险/替代方案） **提示词**： ```text 先钢人化现有实现：列出它的最佳解释与优点；再给改进方案并明确代价与风险。 ``` --- #### 10. 决策论/机会成本（可逆优先） **用途**：避免过早做不可逆技术决策（换框架/改数据模型）。 **落地动作**： - 标注决策：可逆 vs 不可逆；优先做可逆高价值项 - 先写接口+测试桩+适配层，延后绑定外部系统 **Python工具**：抽象边界、adapter、in-memory 实现 **提示词**： ```text 把方案拆成可逆/不可逆决策；先给可逆路径的 MVP，实现通过测试；不可逆部分只给接口与占位实现。 ``` --- #### 11. 反事实推理（Counterfactuals） **用途**：系统性覆盖异常路径，降低线上事故。 **落地动作**： - 问"如果 X 不成立会怎样"：超时、乱序、重复、空值、弱网、权限缺失、时钟漂移 - 把反事实转成测试矩阵与降级策略 **Python工具**：`pytest` 参数化、`hypothesis` 生成器、超时与重试控制 **提示词**： ```text 列出 15 个反事实场景并按风险排序；为 Top5 写测试与降级/错误语义。 ``` --- #### 12. 溯因推理（Abduction，最佳解释） **用途**：debug/性能退化时，比穷举更快定位"最可能原因"。 **落地动作**： - 列候选原因 → 为每个原因写最便宜的区分性实验（日志点/开关/最小基准） - 用证据淘汰而不是凭感觉改代码 **Python工具**：结构化日志、trace、最小 benchmark、feature flag **提示词**： ```text 给出候选原因列表，并为每个原因提供一个最低成本、最高区分度的验证实验与预期观察。 ``` --- #### 13. 贝叶斯式信念更新（与溯因配合） **用途**：在不确定下理性分配排查时间。 **落地动作**： - 给假设先验（高/中/低）→ 实验后更新后验排序 - 只对后验最高的 1-2 个假设投入修改成本 **Python工具**：同 12；加一张"假设-证据"表 **提示词**： ```text 按先验排序原因；给最信息增益实验；根据可能结果更新排序并给下一步。 ``` --- #### 14. 反思平衡（Reflective equilibrium） **用途**：当用例、原则、约束冲突时收敛规范（尤其 API 语义、错误处理、兼容性）。 **落地动作**： - 三层对齐：具体用例 ↔ 一般原则 ↔ 系统约束 - 用测试固化：回归用例（具体判断）+ 性质测试（原则） **Python工具**：`pytest` + `hypothesis`；规范文档（错误模型/幂等语义） **提示词**： ```text 列出用例/原则/约束三集，指出冲突点；给两轮调整方案，每轮说明要改哪些用例、原则或实现以达成一致。 ``` --- #### 15. 概念分析 / 概念工程 **用途**：防止术语漂移导致返工；把领域概念固化进代码。 **落地动作**： - 概念表：术语/定义/边界/不变量/转换关系 - 概念工程：用 Enum/Literal/NewType/dataclass(frozen) 与 schema 固化边界；禁止混用 **Python工具**：`Enum`、`Literal`、`NewType`、`pydantic` 校验 **提示词**： ```text 先产出概念表；再映射成 Python 类型与 schema；给 5 个应被拒绝的反例输入，并写对应测试。 ``` --- #### 16. 方法论怀疑（笛卡尔式） **用途**：把不可靠前提当事实是 vibe coding 常见事故源。 **落地动作**： - 对关键前提标注：是否可验证 - 不可验证 → 必须加运行时校验/超时/重试/降级；并写会失败的测试 **Python工具**：`assert`/校验器、超时、重试、容错分支测试 **提示词**： ```text 列出该方案依赖的所有前提，并标注可验证性；对不可验证前提添加防线（校验/超时/降级）与对应测试。 ``` --- #### 17. 视角三角测量（Triangulation） **用途**：减少单一证据的误判；提升结论可靠性。 **落地动作**： - 同一结论至少两种证据：单测/性质测试 + 日志/指标；或差分测试 + fuzz **Python工具**：`pytest`/`hypothesis` + metrics/logging；差分对照 **提示词**： ```text 对关键行为给出至少两种独立验证方式，并说明各自盲区与如何互补。 ``` --- #### 18. 机制解释（Mechanistic explanation） **用途**：把"能跑"变成"可解释可维护"；降低未来修改风险。 **落地动作**： - 要求输出数据流：输入 → 中间状态 → 输出 - 对中间状态写不变式/断言；把解释与代码结构对齐 **Python工具**：`assert`、类型收窄、分层函数、docstring **提示词**： ```text 给出机制解释：数据在系统中如何流动；列出每个中间状态的不变式，并在代码中用断言或类型保证。 ``` --- #### 19. 错误认识论（Error epistemology） **用途**：系统化"我们会如何错"，比事后补洞更省。 **落地动作**： - 先做失败模式清单（空值/乱序/重复/并发/权限/超时/编码/浮点等） - 每类至少一个测试；明确错误语义（raise / error object / log+metric） **Python工具**：`pytest` 参数化 + `hypothesis`；统一 error 模型 **提示词**： ```text 生成失败模式清单并按风险排序；为 Top N 写测试；统一错误模型并给出示例响应/异常层级。 ``` --- #### 20. 实验哲学（x-phi） **用途**：交互与默认策略别靠直觉，用数据决定。 **落地动作**： - 把争议点改成可测实验（A/B 默认值、错误文案、重试策略） - 指标：误用率、重试率、成功率、工单率、完成时间 **Python工具**：埋点/日志、简单 A/B 分组、配置开关 **提示词**： ```text 把该设计争议转成实验：分组、指标、样本、持续时间、判定阈值；给出埋点字段与分析方法。 ``` --- #### 21. 计算哲学（Computational philosophy） **用途**：复杂状态与规则用"可运行模型/仿真/搜索"代替纯讨论。 **落地动作**： - reference 实现（慢但清晰）作为 oracle - optimized 实现（快/工程化）用差分测试锁死行为 - 用仿真/生成器自动探索边界 **Python工具**：`hypothesis`、差分测试、状态机测试（Hypothesis stateful） **提示词**： ```text 先写 reference（清晰）+ optimized（高效）；写差分测试与状态机/性质测试自动找反例并修复。 ``` --- #### 22. 自然化认识论（Naturalized epistemology） **用途**：承认人类/模型都有系统性偏误，用流程与工具把偏误外包给检查器。 **落地动作**： - 默认自动化：lint+format+类型检查+测试 - 高风险路径：必须性质测试/模糊测试/运行时校验 - 结论至少双证据（测试+指标） **Python工具**：`ruff`/`black`/`pyright`/`pytest`/`hypothesis`/`pydantic` **提示词**： ```text 列出该任务最常见的误判点，并为每个误判点给一个自动化防线（检查器/测试/断言/埋点）。 ``` --- #### 23. 贝叶斯认识论（Bayesian epistemology） **用途**：在多个方案/原因间理性分配注意力与试错预算。 **落地动作**： - 先验 → 实验 → 后验 → 下一步；把排查变成序列决策问题 **Python工具**：同 12/13；记录表 **提示词**： ```text 用贝叶斯式流程组织排查：先验排序、信息增益最高的实验、更新后的行动计划。 ``` --- ### 附录 #### 通用"性质测试"提示（可复用） | 性质 | 说明 | |:---|:---| | 非负性/有界性 | 结果不越界 | | 幂等性 | `f(f(x)) == f(x)` | | 单调性 | 输入增大输出不违反预期 | | 守恒性 | 长度/集合元素/总和按规则变化 | | 互逆性 | `decode(encode(x)) == x`（或近似） | | 稳定性 | 排序/去重等操作满足稳定条件 | | 交换/结合 | 满足代数性质的操作应通过 | #### 建议的项目框架（最小） ```text src/ # 纯逻辑与 I/O 分离 tests/ # 示例+性质+差分 pyproject.toml # ruff/pytest/pyright README.md # 概念表/错误语义/验收指标 ``` --- ### 使用指南 | 场景 | 推荐方法组合 | |:---|:---| | 需求不清 | 1（现象学）+ 8（诠释学）+ 15（概念工程） | | 质量不稳 | 3（可证伪）+ 4（形式化）+ 19（错误认识论） | | 排错提效 | 12（溯因）+ 13/23（贝叶斯更新）+ 17（三角测量） | | 复杂系统 | 7（系统论）+ 21（计算哲学）+ 14（反思平衡） | | 交互默认争议 | 20（x-phi）+ 6（实用主义指标） | #### 现象学还原用于 Vibe Coding **核心目的**：把“我以为需求是这样”从对话里剥离出去，只留下可观察、可复现、可检验的事实与体验结构，让模型在更少臆测的前提下产出可用代码。 工程语境下的三个动作： - **悬置**：暂时不采纳任何原因解释、业务推断或最佳实践偏好，只记录发生了什么、期望是什么、约束是什么。 - **还原**：把问题还原到“给定输入 -> 经过过程 -> 得到输出”的最小结构，先不谈架构、模式、技术栈优雅与否。 - **意向性**：明确这个功能是为谁、在什么情境下、要达成什么体验；不要停在“做个登录”，要落到“用户在弱网下也能在 2 秒内完成登录并得到明确反馈”。 适用场景： - 需求描述充满抽象词：快、稳定、像某某一样、智能、顺滑。 - 模型开始自带设定：自己补产品逻辑、乱选框架、擅自加复杂度。 - Bug 复现困难：偶发、环境相关、输入边界不清。 操作流程： 1. 先清空解释，只保留现象：现象、意图、情境、边界。 2. 产出最小可复现体：最小输入、最小代码片段、明确复现步骤、预期 vs 实际。 3. 把抽象词降维成可测指标：快 -> P95 延迟，稳定 -> 错误率，好用 -> 交互反馈与可恢复性。 可复制提示词： ```text 请先做“现象学还原”：不要推测原因、不要引入额外功能。 只根据我给的信息，输出： 1) 现象（可观察事实） 2) 意图（我想要的可观察结果） 3) 情境（环境/约束） 4) 未确定项（必须问清或需要我补的最小信息） 5) 最小可复现步骤（MRE） 然后再给出最小修复方案与对应测试。 ``` 口诀：先悬置解释，再固定现象；先写验收标准，再让模型写实现。 #### 辩证法用于 Vibe Coding：正反合 把辩证法的“正反合”用于 Vibe Coding，就是把每次写代码都当成一轮可控的三段论。 **正：当前状态，先跑通** - 让模型按直觉快速给出最顺的实现。 - 目标只有一个：尽快跑通主路径。 **反：审计与调优，再打脸** - 立刻站在挑刺者视角反驳它。 - 列出失败模式、边界条件、性能与安全隐患。 - 用测试、类型、lint、基准把反驳落地。 **合：根据审核修正，再收敛** - 把速度与约束合起来。 - 重构接口、收敛依赖、补齐测试与文档。 - 形成下一轮更稳定的起点。 实践口诀：先顺写 -> 再打脸 -> 再收敛。 一句话：Vibe 负责生成可能性，正反合负责把可能性变成工程确定性。 #### 控制论与科学方法论 控制论视角下，工程实践不是一次性生成，而是通过信息、反馈和约束持续收缩可能性空间。 核心要点： 1. 控制的逻辑起点是被控对象存在多种可能状态；控制的本质是通过选择手段，让可能性空间朝目标状态收缩。 2. 改造世界的实践，本质是在多维可能性空间中选择物质、条件和时机，最终把低概率组合实现为确定结果。 3. 控制能力可以理解为控制前后可能性空间大小之比；任何工具或方法都有能力上限。 4. 负反馈通过比较现状与目标的差距并采取行动缩小差距，把有限的单次控制能力累积放大。 5. 正反馈会自我增强，使状态持续偏离初始平衡点，可能导致增长、演化、崩溃或恶性循环。 6. 信息是对系统不确定性的减少；控制要实现，必须先获得足够信息。 7. 控制与信息是一体两面：信息改变认知状态，控制改变现实状态。 8. 组织是一种结构状态，组织化程度越高，结构中包含的信息量越高。 9. 复杂系统的因果关系常常是概率因果、反馈环和因果网络，而不是单一线性链条。 10. 有效分析必须建立“相对孤立系统”，把无限问题切成有限问题。 11. 拥有内部反馈回路的系统会趋向稳态结构，用动态平衡抵御外部随机干扰。 12. 系统演化通常是旧稳态被破坏，经过不稳定过渡，落入新稳态。 13. 自组织系统会在没有外部指令时，由内部相互作用从无序涌现出宏观有序。 14. 质变可以是渐变，也可以是飞跃；关键不在变化速度，而在中间状态是否稳定。 15. 黑箱认识依赖输入控制与输出观察，理论就是对黑箱内部结构的模型。 16. 认识过程是“实践 -> 理论 -> 实践”的负反馈循环，用模型预测与现实输出的差异修正模型。 17. 认识反馈能否收敛，取决于理论是否可证伪、反馈速度是否足够快、反馈幅度是否不过度、实践结果是否能可靠判别理论真伪。 18. 科学规律的本质是变量之间的约束关系；掌握规律，就是把不可控随机变量转成可预测、可控制的确定结果。 用于 AI 编程时，这套方法可以压缩成一句话： > 先把目标写成可检验状态，再用测试、日志、反馈、约束和迭代，把模型输出从可能性空间中逐步收缩到可验收结果。