\r \r

CDA 架构代码工坊（Code Lab）\r

\r 将 Causal Dynamics Architecture 的理论设计转化为可执行的 Python 仿真代码。\r \r

核心定位\r

\r CDA 主技能定义了架构蓝图，Data Synthesizer 生成数据，本技能负责让架构跑起来。\r \r 数据格式依赖：本技能生成的代码读取 CDA Data Synthesizer 定义的 JSON 格式（见 references/data-format-spec.md）。\r \r

可生成的组件\r

\r 按 CDA 五层栈和路线图 Phase 1-2 组织：\r \r

Phase 1 组件（热力学仿真引擎）\r

\r | 组件 | CDA 章节 | 输入 | 输出 |\r |------|---------|------|------|\r | CDABlock | §3.2 | EntityState + CausalEdges | 更新后的 EntityState |\r | PINN 机制函数 | §3.3 | 实体状态对 (s_i, s_j) | 状态变化量 Δs |\r | 哈密顿投影 | §4.1 | 状态 (q, p) | 约束后状态 |\r | 辛积分器 | §4.2 | 状态 + 力函数 | 下一时刻状态 |\r | 贝叶斯状态更新 | §6.2 L1 | 旧信念 + 观测 | 新信念 |\r | JSON 数据加载器 | — | *.graph.json / *.trajectory.json | Python 对象 |\r \r

Phase 2 组件（多域因果耦合）\r

\r | 组件 | CDA 章节 | 说明 |\r |------|---------|------|\r | 机制类型注册表 | §3.3.1 | 力学/热力学/流体/化学反应类型的 W 矩阵约束 |\r | 因果计算路由 | §3.4 | 稀疏边选择（路由分数 → Top-K → 预算） |\r | NOTEARS 因果发现 | §6.1.2 | 从时序数据中学习因果结构 |\r | 在线 Laplace 学习 | §6.2 L2 | 机制函数参数的在线贝叶斯更新 |\r | 粗粒化 + 重正化 | §7 | 信息瓶颈驱动的实体聚合 |\r \r

高级组件（Phase 3-4）\r

\r

以下组件对应 CDA 主参考文档的深层章节（§5 do-演算、§7 多尺度、§8 CER），\r 属于路线图 Phase 3（反事实推理与决策，2-4 年）和 Phase 4（通用因果世界模型，4-8 年）。\r 当前 SKILL.md 和 references 中的 Phase 1-2 组件已覆盖核心计算原语。\r 当用户请求实现以下组件时，应先加载 CDA 主技能的参考文档对应章节获取完整规格。\r \r | 组件 | CDA 章节 | Phase | 说明 |\r |------|---------|-------|------|\r | do-演算图手术 | §五 | 3 | 干预推理：切断因果边 + 传播 |\r | 反事实推理 | §五 | 3 | 溯因→干预→预测三步 |\r | CER 因果封装递归 | §八 | 4 | 异构嵌套因果子系统（CDA 最原创贡献） |\r | 多尺度聚合 | §七 | 3 | 自适应分辨率切换（粗粒化 + 重正化） |\r | 量纲一致性模块 | §3.3.2 / §4.4 | 2 | 禁止跨量纲的参数耦合（物理量纲通道） |\r | 感知校准层 | §2.1-2.2 | 4 | 统一感知接口 + 贝叶斯校准 |\r \r

参考文件\r

\r | 文件 | 内容 |\r |------|------|\r | references/implementation-guide.md | 核心指南：代码架构设计、依赖管理、运行约定 |\r | references/component-specs.md | 每个组件的接口签名、输入输出规格、实现要点 |\r | references/pinn-templates.md | PINN 机制函数的 PyTorch 模板（热力学/力学/流体） |\r | references/data-format-spec.md | 数据格式协议（从 Data Synthesizer 共享，本文件为副本） |\r \r

代码生成原则\r

\r

1. PyTorch 优先：所有可微分组件使用 PyTorch 实现，确保自动微分可用\r
2. JSON 兼容：生成的代码必须能直接读取 Data Synthesizer 的 JSON 输出\r
3. 可验证：每个组件附带 self-test 函数，使用合成数据验证正确性\r
4. 渐进复杂度：先生成最小可运行版本（单组件），再组合完整管线\r
5. 物理硬约束：哈密顿投影、辛积分器等不可用 soft constraint 替代\r \r

典型生成流程\r

\r

用户请求："实现热力学仿真引擎"\r
  ↓\r
1. 读取 implementation-guide.md → 确定项目结构和依赖\r
  ↓\r
2. 读取 component-specs.md → 确定需要哪些组件\r
  ↓\r
3. 读取 pinn-templates.md → 获取机制函数模板\r
  ↓\r
4. 生成代码文件：\r
   ├── data_loader.py    （JSON → EntityState/CausalEdge）\r
   ├── entities.py       （EntityState, CausalEdge, WorldState 类）\r
   ├── mechanisms.py     （PINN 机制函数）\r
   ├── hamiltonian.py    （哈密顿投影）\r
   ├── integrator.py     （辛积分器）\r
   ├── cdablock.py       （完整管线）\r
   └── run_simulation.py （主入口 + 示例）\r
  ↓\r
5. 生成 self_test.py → 验证每个组件\r
```\r
\r
## 与 CDA 主技能的关系\r
\r
```\r
CDA（主技能）\r
  ├── 理论参考：架构设计、公式、路线图\r
  ├── CDA Data Synthesizer\r
  │     └── 生成 JSON 格式的因果数据集\r
  └── CDA Code Lab（本技能）\r
        └── 生成代码：读取 JSON → 运行仿真 → 输出结果\r
```\r
\r
## 使用指南\r
\r
1. 用户指定要实现的组件或场景\r
2. 读取 `references/implementation-guide.md` 获取代码架构\r
3. 读取 `references/component-specs.md` 获取组件接口规格\r
4. 根据域类型读取 `references/pinn-templates.md` 获取机制函数模板\r
5. 生成完整的 Python 代码文件，附带注释和 self-test\r