Dillylang：为思维过程设计的形式化推理词汇系统

一个用于推理思维过程的形式化词汇系统，通过九大正交思维操作符的组合，构建可在人类、模型或流水线中执行的推理配方，为结构化思考提供可追踪、可预算的形式化框架。

引言：当思维需要被显式描述\n\n人类思考的过程往往是内隐的、难以言说的。我们做出决策、解决问题，但很少能清晰地说出"我是如何思考的"。这种模糊性在人脑中或许无碍，但在人机协作和 AI 系统的时代，能够显式描述和编排思维过程变得越来越重要。\n\nDillylang 正是针对这一需求诞生的项目——它不是一个 Agent 框架，而是一套形式化的思维操作词汇，用于将思考过程显式化、结构化、可执行化。\n\n## 项目定位：词汇即产品\n\nDillylang 的核心定位非常明确：词汇本身才是产品，而具体的实现（Python 代码、Claude Code skills）只是实现细节。这种设计哲学体现了作者对"思维可编程性"的深刻理解。\n\n### 与 Agent 框架的区别\n\n当前 AI 领域充斥着各种 Agent 框架，它们通常包含：\n\n- 循环执行机制（loop）\n- 工具调用能力（tool use）\n- 自主决策逻辑\n\nDillylang 刻意避开了这些。它不提供循环，不提供工具使用，而是专注于纯粹的、可组合的、可追踪的思维操作。每一个运行都会产生可检查的追踪记录，且执行有明确的预算限制。\n\n这种设计选择使得 Dillylang 更像是一种"思维汇编语言"——底层、精确、可组合，而非高层的自动化框架。\n\n## 核心设计：九大正交思维操作符\n\nDillylang 的设计原则是"在深度预算限制下，最大化思维正交轴的覆盖"。基于这一原则，项目定义了九大核心操作符，分布在六个思维维度上：\n\n### 1. 组合性维度（Compositionality）\n\n- decompose（分解）：将复杂问题拆解为更小的组成部分\n- synthesize（综合）：将多个部分整合为整体\n\n这对操作符对应着分析思维与综合思维的基本能力，是任何推理过程的基础。\n\n### 2. 否定维度（Negation）\n\n- invert（反转）：从相反的角度思考问题\n\n这个操作符的命名致敬了查理·芒格（Charlie Munger）推广的"Invert, always invert"原则，而芒格又将其归功于数学家卡尔·雅可比（Carl Gustav Jacob Jacobi）的名言"man muss immer umkehren"（必须总是反过来想）。Dillylang 对反转问题的偏好正是源于此。\n\n### 3. 框架维度（Frame）\n\n- rotate（旋转）：切换思考框架或视角\n\n当在一种框架下思考遇到瓶颈时，rotate 允许我们切换到另一种框架，如从用户视角切换到系统视角，或从短期视角切换到长期视角。\n\n### 4. 类比维度（Analogy）\n\n- analogize（类比）：通过类比进行推理\n\n类比是人类思维的核心能力之一，Dillylang 将其显式化为一个可操作的操作符。\n\n### 5. 抽象维度（Abstraction）\n\n- abstract（抽象）：提取本质，忽略细节\n- concretize（具体化）：将抽象概念具体化\n\n这对操作符管理着思维的不同抽象层级，使我们能够在细节和全局之间灵活切换。\n\n### 6. 约束维度（Constraint）\n\n- constrain（约束）：添加限制条件\n- relax（放松）：移除或放宽限制\n\n约束管理是创造性思维和问题解决的关键技术，Dillylang 将其形式化为可组合的操作。\n\n## 组合器：构建复杂推理流水线\n\n除了九大核心操作符，Dillylang 还提供了用于组合这些操作符的机制：\n\n- pipe（管道）：顺序执行多个操作\n- parallel（并行）：同时执行多个操作\n- map（映射）：对集合中的每个元素应用操作\n- filter（过滤）：根据条件筛选元素\n\n这些组合器使得简单的操作符能够构建出复杂的推理流程。例如：\n\n\nrefine = pipe(decompose, parallel(invert, rotate), synthesize)\nresult = refine.run({"problem": "..."})\n\n\n这个例子展示了一个典型的推理流程：先分解问题，然后并行地从反转和旋转两个角度思考，最后综合各角度的洞察。\n\n## 评估与元能力\n\n除了核心的思维操作符，Dillylang 还定义了评估和元能力操作符：\n\n### 评估操作符（Judges）\n\n- evaluate（评估）：对结果进行质量评估\n- classify（分类）：将内容归类\n- compare（比较）：比较多个选项\n- rank（排序）：对选项进行排序\n\n### 元能力（Meta-skills）\n\n- translate（翻译）：在不同表示之间转换\n- canonize（规范化）：决定哪些探索性内容值得进入规范文档\n\n这些操作符为推理过程提供了元认知能力，使得系统能够自我评估和自我改进。\n\n## 实际应用：自举设计案例\n\nDillylang 的一个引人注目的特性是它被用于设计自身。作者使用 Dillylang 词汇来设计 canonize 操作符——这个操作符决定哪些探索性内容值得进入规范文档。\n\n使用的流水线是：decompose → invert → synthesize → apply → evaluate\n\n这个自我应用的过程产生了三个对规范第 8 节的结构性修改，并且这些修改在同一个会话中就被应用了。这种"自举"（bootstrapping）设计展示了 Dillylang 的表达能力——它不仅能描述一般思维过程，还能描述自身的进化过程。\n\n## 项目结构与资源\n\nDillylang 项目组织清晰，包含以下核心资源：\n\n- spec/PRIMER.md：操作参考文档（入门首选）\n- spec/INDEX.md：完整规范及设计原理\n- docs/decisions/：架构决策记录（ADR 001-010）\n- skills/：操作符的 Claude Code skills 实现\n- examples/：捕获的流水线追踪记录\n\n特别值得注意的是 skills/ 目录，它包含 markdown 格式的 skill 包，Agent 运行时可以通过 bunx skills add ./skills 安装。这种设计使得 Dillylang 的操作符可以被各种 Agent 环境直接使用。\n\n## 技术实现与生态集成\n\nDillylang 提供了多种实现路径：\n\n1. Python 实现：作为基础运行时\n2. Claude Code Skills：每个操作符作为独立的 skill，可直接在 Claude Code 中使用\n3. Agent 运行时集成：通过 skill 包机制与各种 Agent 环境集成\n\n这种多实现策略确保了 Dillylang 的词汇可以在不同环境中使用，而不绑定到特定技术栈。\n\n## 当前状态与发展路线\n\n项目目前处于早期阶段（pre-1.0），作者明确表示接口可能会变化。当前状态：\n\n- 核心词汇已定义并文档化\n- 提供了 Claude Code skills 实现\n- 已记录 10 个架构决策（ADR 001-010）\n- 欢迎讨论，但暂不接受 PR\n\n双许可证策略（代码 Apache-2.0，文档 CC BY 4.0）体现了对开源社区友好但保持控制权的谨慎态度。\n\n## 哲学意义：思维的可编程性\n\nDillylang 的意义超越了技术实现，它触及了一个深层问题：思维过程能否被显式编程？\n\n传统上，我们认为思维是内隐的、直觉的、难以形式化的。但 Dillylang 的尝试表明，至少某些思维操作是可以被命名、组合和执行的。这类似于编程语言的发展——从机器码到汇编到高级语言，每一层抽象都让我们能够更清晰地表达意图。\n\nDillylang 试图为思维提供类似的抽象层。它不会取代人类的直觉和创造力，而是为那些可以被显式描述的思维过程提供工具和词汇。\n\n## 局限性与挑战\n\n作为一个早期项目，Dillylang 面临一些固有的挑战：\n\n1. 学习曲线：形式化思维需要训练，不像自然语言那样直观\n2. 覆盖范围：九大操作符是否足够覆盖所有思维场景？\n3. 执行效率：显式编排的思维流程可能比内隐思维更慢\n4. 生态系统：需要更多实际应用案例来验证其价值\n\n这些挑战也是机遇——它们定义了项目未来发展的方向。\n\n## 总结：一种新的人机协作范式\n\nDillylang 代表了一种新的人机协作范式：不是让 AI 替代人类思考，而是为人类和 AI 提供共同的语言来描述思考过程。在这种范式下，人类负责定义思维策略（recipes），AI 负责执行和追踪，双方都能理解和检查整个过程。\n\n对于正在探索 AI 辅助推理、知识管理、决策支持的团队和个人，Dillylang 提供了一个值得关注的思路：与其追求完全自动化的"黑箱"Agent，不如构建透明、可检查、可组合的推理流水线。\n\n正如项目所展示的，即使是设计系统本身的过程，也可以用这套词汇来描述和执行——这种自举能力或许正是其设计成熟度的最佳证明。

引言：当思维需要被显式描述\n\n人类思考的过程往往是内隐的、难以言说的。我们做出决策、解决问题，但很少能清晰地说出"我是如何思考的"。这种模糊性在人脑中或许无碍，但在人机协作和 AI 系统的时代，能够显式描述和编排思维过程变得越来越重要。\n\nDillylang 正是针对这一需求诞生的项目——它不是一个 Agent 框架，而是一套形式化的思维操作词汇，用于将思考过程显式化、结构化、可执行化。\n\n项目定位：词汇即产品\n\nDillylang 的核心定位非常明确：词汇本身才是产品，而具体的实现（Python 代码、Claude Code skills）只是实现细节。这种设计哲学体现了作者对"思维可编程性"的深刻理解。\n\n与 Agent 框架的区别\n\n当前 AI 领域充斥着各种 Agent 框架，它们通常包含：\n\n- 循环执行机制（loop）\n- 工具调用能力（tool use）\n- 自主决策逻辑\n\nDillylang 刻意避开了这些。它不提供循环，不提供工具使用，而是专注于纯粹的、可组合的、可追踪的思维操作。每一个运行都会产生可检查的追踪记录，且执行有明确的预算限制。\n\n这种设计选择使得 Dillylang 更像是一种"思维汇编语言"——底层、精确、可组合，而非高层的自动化框架。\n\n核心设计：九大正交思维操作符\n\nDillylang 的设计原则是"在深度预算限制下，最大化思维正交轴的覆盖"。基于这一原则，项目定义了九大核心操作符，分布在六个思维维度上：\n\n1. 组合性维度（Compositionality）\n\n- decompose（分解）：将复杂问题拆解为更小的组成部分\n- synthesize（综合）：将多个部分整合为整体\n\n这对操作符对应着分析思维与综合思维的基本能力，是任何推理过程的基础。\n\n2. 否定维度（Negation）\n\n- invert（反转）：从相反的角度思考问题\n\n这个操作符的命名致敬了查理·芒格（Charlie Munger）推广的"Invert, always invert"原则，而芒格又将其归功于数学家卡尔·雅可比（Carl Gustav Jacob Jacobi）的名言"man muss immer umkehren"（必须总是反过来想）。Dillylang 对反转问题的偏好正是源于此。\n\n3. 框架维度（Frame）\n\n- rotate（旋转）：切换思考框架或视角\n\n当在一种框架下思考遇到瓶颈时，rotate 允许我们切换到另一种框架，如从用户视角切换到系统视角，或从短期视角切换到长期视角。\n\n4. 类比维度（Analogy）\n\n- analogize（类比）：通过类比进行推理\n\n类比是人类思维的核心能力之一，Dillylang 将其显式化为一个可操作的操作符。\n\n5. 抽象维度（Abstraction）\n\n- abstract（抽象）：提取本质，忽略细节\n- concretize（具体化）：将抽象概念具体化\n\n这对操作符管理着思维的不同抽象层级，使我们能够在细节和全局之间灵活切换。\n\n6. 约束维度（Constraint）\n\n- constrain（约束）：添加限制条件\n- relax（放松）：移除或放宽限制\n\n约束管理是创造性思维和问题解决的关键技术，Dillylang 将其形式化为可组合的操作。\n\n组合器：构建复杂推理流水线\n\n除了九大核心操作符，Dillylang 还提供了用于组合这些操作符的机制：\n\n- pipe（管道）：顺序执行多个操作\n- parallel（并行）：同时执行多个操作\n- map（映射）：对集合中的每个元素应用操作\n- filter（过滤）：根据条件筛选元素\n\n这些组合器使得简单的操作符能够构建出复杂的推理流程。例如：\n\n\nrefine = pipe(decompose, parallel(invert, rotate), synthesize)\nresult = refine.run({"problem": "..."})\n\n\n这个例子展示了一个典型的推理流程：先分解问题，然后并行地从反转和旋转两个角度思考，最后综合各角度的洞察。\n\n评估与元能力\n\n除了核心的思维操作符，Dillylang 还定义了评估和元能力操作符：\n\n评估操作符（Judges）\n\n- evaluate（评估）：对结果进行质量评估\n- classify（分类）：将内容归类\n- compare（比较）：比较多个选项\n- rank（排序）：对选项进行排序\n\n元能力（Meta-skills）\n\n- translate（翻译）：在不同表示之间转换\n- canonize（规范化）：决定哪些探索性内容值得进入规范文档\n\n这些操作符为推理过程提供了元认知能力，使得系统能够自我评估和自我改进。\n\n实际应用：自举设计案例\n\nDillylang 的一个引人注目的特性是它被用于设计自身。作者使用 Dillylang 词汇来设计 canonize 操作符——这个操作符决定哪些探索性内容值得进入规范文档。\n\n使用的流水线是：decompose → invert → synthesize → apply → evaluate\n\n这个自我应用的过程产生了三个对规范第 8 节的结构性修改，并且这些修改在同一个会话中就被应用了。这种"自举"（bootstrapping）设计展示了 Dillylang 的表达能力——它不仅能描述一般思维过程，还能描述自身的进化过程。\n\n项目结构与资源\n\nDillylang 项目组织清晰，包含以下核心资源：\n\n- spec/PRIMER.md：操作参考文档（入门首选）\n- spec/INDEX.md：完整规范及设计原理\n- docs/decisions/：架构决策记录（ADR 001-010）\n- skills/：操作符的 Claude Code skills 实现\n- examples/：捕获的流水线追踪记录\n\n特别值得注意的是 skills/ 目录，它包含 markdown 格式的 skill 包，Agent 运行时可以通过 bunx skills add ./skills 安装。这种设计使得 Dillylang 的操作符可以被各种 Agent 环境直接使用。\n\n技术实现与生态集成\n\nDillylang 提供了多种实现路径：\n\n1. Python 实现：作为基础运行时\n2. Claude Code Skills：每个操作符作为独立的 skill，可直接在 Claude Code 中使用\n3. Agent 运行时集成：通过 skill 包机制与各种 Agent 环境集成\n\n这种多实现策略确保了 Dillylang 的词汇可以在不同环境中使用，而不绑定到特定技术栈。\n\n当前状态与发展路线\n\n项目目前处于早期阶段（pre-1.0），作者明确表示接口可能会变化。当前状态：\n\n- 核心词汇已定义并文档化\n- 提供了 Claude Code skills 实现\n- 已记录 10 个架构决策（ADR 001-010）\n- 欢迎讨论，但暂不接受 PR\n\n双许可证策略（代码 Apache-2.0，文档 CC BY 4.0）体现了对开源社区友好但保持控制权的谨慎态度。\n\n哲学意义：思维的可编程性\n\nDillylang 的意义超越了技术实现，它触及了一个深层问题：思维过程能否被显式编程？\n\n传统上，我们认为思维是内隐的、直觉的、难以形式化的。但 Dillylang 的尝试表明，至少某些思维操作是可以被命名、组合和执行的。这类似于编程语言的发展——从机器码到汇编到高级语言，每一层抽象都让我们能够更清晰地表达意图。\n\nDillylang 试图为思维提供类似的抽象层。它不会取代人类的直觉和创造力，而是为那些可以被显式描述的思维过程提供工具和词汇。\n\n局限性与挑战\n\n作为一个早期项目，Dillylang 面临一些固有的挑战：\n\n1. 学习曲线：形式化思维需要训练，不像自然语言那样直观\n2. 覆盖范围：九大操作符是否足够覆盖所有思维场景？\n3. 执行效率：显式编排的思维流程可能比内隐思维更慢\n4. 生态系统：需要更多实际应用案例来验证其价值\n\n这些挑战也是机遇——它们定义了项目未来发展的方向。\n\n总结：一种新的人机协作范式\n\nDillylang 代表了一种新的人机协作范式：不是让 AI 替代人类思考，而是为人类和 AI 提供共同的语言来描述思考过程。在这种范式下，人类负责定义思维策略（recipes），AI 负责执行和追踪，双方都能理解和检查整个过程。\n\n对于正在探索 AI 辅助推理、知识管理、决策支持的团队和个人，Dillylang 提供了一个值得关注的思路：与其追求完全自动化的"黑箱"Agent，不如构建透明、可检查、可组合的推理流水线。\n\n正如项目所展示的，即使是设计系统本身的过程，也可以用这套词汇来描述和执行——这种自举能力或许正是其设计成熟度的最佳证明。