协作观测框架

这个框架建立在 Work Memory 之上，不替代它。Work Memory 负责记录工作事实和思考证据；协作观测层负责在这些证据里显化人的方向性输入：用户在哪里改变了 AI 的默认走向，这个改变后来怎样了。

它是一面镜子，不是判官。镜子只显影，不下判决。

这个框架只观察两件事：

1. 人是否在协作中注入负熵。
2. 这种注入是否在更长时间尺度上呈现可学习的结构。

它不是评估系统。所有用户面输出必须能追溯到 source refs：session id、canonical entry、commit、PR、spec。无 source 不发言。

1.1术语

只要用户不施加方向性约束，决策方向就容易变成 AI 在 plausible 选项池里的采样结果。这就是「先验坍塌」：输出看起来丰富，实际方向性很弱。

在这个前提下，人的非默认动作才有观测价值。用户拒绝、约束、改道、承担代价，这些行为不是又一个 plausible 叙述，而是在压缩可能性空间。

如果未来 Agent 不再坍塌、或采样已稳定携带方向，这层框架的意义需要被重新定义。这不是永久真理，只是当前产品阶段的工作假设。

原因不是「标签不礼貌」，而是它增加 W：把本应被用户行动压缩的可能性空间，重新扩张成更多可被讲通的身份解释。AI 已经能为他生成一百个听起来都对的解释；再加一个「数据驱动」的画像，本质上是在 plausible 池里再加一个更有权威感的选项。

本框架的判别标准只有一句：

4.1镜子，不是判官

用户面输出必须停留在观察陈述层。

前者是事件，用户可以继承、修正或否认。后者是身份命题，会被内化、反弹，并改变它所测量的对象。

4.2痕迹考古，不是身份综合

真正有信号的不是「偏好分布」——偏好太容易被 AI 模仿和包装。真正可观察的是承诺痕迹：用户在哪里放弃其他路径、拒绝更快方案、增加自己的工作量、在没有充分证据时做了方向明确的选择、后来承认「那次是错的」。

痕迹考古的目标不是推断人格，而是把已经发生过的负熵输入重新变得可见。

4.3分析单位是协作，不是用户

同一个用户，跟另一个 Agent、做另一个项目、处在另一个组织压力里，可能呈现完全不同的模式。所以本框架只描述：

这条边界对任何按 User ID + Project ID 聚合长期记忆的系统都尤其重要——若不锁定「协作」为分析单位，系统很容易滑向个人评分和组织管理画像。

5.1当下是否有负熵注入？

不是用户发言越多越好——大量指令也可能只是把 AI 的 plausible 生成继续推下去。真正有信号的是非默认动作：用户压缩了选择空间，承担了代价，并让后续工作沿着这个方向展开。

5.2长期是否结构化？

单点惊讶只说明某一刻用户做了非默认动作。结构化观察的是：这些非默认动作是否可以被学习。如果系统对「用户何时何处会这样做」的预测残差长期下降，说明这种负熵注入呈现结构。

残差长期不下降，本身也是一个信号。它不说明用户差，只说明这段协作关系里，人的方向性输入暂时没有形成稳定模式，或系统尚未学到。

5.3在 AI 显式分叉处的用户姿态（四分类）

在一个 AI 显式暴露的决策点上（直接提问、列 ≥2 个命名选项、表达 uncertainty），用户的响应姿态分四类——事件，不是用户类型：

• engaged — 挑了选项、为某个选项实质论证、或对 framing 做 constructive critique。
• deferred — 主动授权 agent 决定（「你来决定」/「看你」/「anything is fine」）。
• overrode — 完全 reject 当前 framing，把方向拉到一个不同关切。
• ignored — 换话题，没承认问题存在。

为什么 anchor 必须出自 AI 的 salience event：没有 anchor 时，沉默的授权熵泵与用户从来没碰上一个值得表态的分叉在行为上无法区分。anchor 让 stance 变得可比、可分类、可追溯。

退化的纯沉默场景（agent 没问、用户也没拦）属于另一类机制（silent stretches）的观察范围，不在这一节内。

内部定义：

6.1为什么用惊讶度

信息论里，自信息是 I(x) = −log P(x)。事件概率越低，信息量越大。「惊讶」不是修辞，它就是信息量。这件事的关键不是让 AI 评价用户，而是反过来利用 AI 的预测能力定位它自己触及不到的东西。

6.2两层 baseline · AI-proposal vs trajectory prior

单点检测（Phase 1）：以 AI 当前输出作为 baseline。「用户没接住 AI 的具体提议」（§7）/「用户在 AI 的 flagged junction 上选择 deferral」（§5.3）都是相对 AI 当下输出可观察的，不需要 per-user 概率模型。这一层产 §5.3 的四类姿态事件 + §7 的负空间事件。

长期结构化（§9 二阶可预测性）：以 trajectory prior 作为 baseline。要测「用户的非默认动作是否可学习」，参照系必须是用户在这段协作里自己的演化路径。三种 baseline 候选的区别：

• 通用先验 — 测到的是用户和平均人的「怪异度」，与协作无关，无用。
• 用户历史平均 — 测到的是「漂移」，分不开成长和噪声。
• 轨迹先验 — 测到用户对自己做了非默认动作——才是承诺信号。

只有轨迹先验能支撑「系统能否预测用户将在哪些位置介入」这个问题。但它不是 Phase 1 必需的，是 Phase 2+ 的工程问题——K-window heuristic / sequence model / etc. 各有 noise-precision trade-off。

6.3三要素合取

这类「沉默的拒绝」比正面表达更难伪装，也更容易被普通日志漏掉。但风险很高，不能凭空解释沉默。必须同时满足：

1. AI 的建议足够具体，可以确认「用户没有接住什么」。
2. 后续行为沿着另一个方向展开。

方向后来怎样，要在更长窗口里观察：被维持 · 被扩展 · 被复现 · 用户后来怎么重新解释。

如果系统只保留事后看起来正确的事件，它就在偷偷做 hindsight 偏好选择，最后呈现的是一个无菌版本的用户。这仍然是评价系统，只是包装成了观察系统。

正确做法：事件保留、命运追加、意义可重开。

一个成熟的协作关系可能这样：

• 单点上，用户仍然经常让 AI 惊讶。
• 长期上，AI 开始知道用户会在哪些位置介入。

不矛盾——第一层是事件概率，第二层是事件发生位置和模式的可预测性。

11.1事件流 · 5-section rich format

每条事件强制 5 节（lens protocol 定型版）：

1. Work-in-progress arc（2-3 句）：事件所在的工作主线，命名具体对象。
2. Before（1-2 句）：AI 的 salience event / 具体提议出现前的紧邻语境。
3. Event：salience event verbatim + 用户响应 verbatim + classification（§5.3 四类）或 negative-space flag。
4. After — concrete artifacts（2-4 句）：用户响应之后真正落地了什么——文件名、commit、决策。禁止 topic 描述。
5. Why this satisfies the criteria（1-2 句）：lens criteria 各条如何成立。

内部字段（baseline_type / persistence_turns / confidence / fate / interpretations 等）见 §13 数据结构，不出现在用户面。

11.2边界与方向（聚合 · 不下身份判断）

11.3对话式确认

如果用户说「只是这几个项目特殊」，系统接受这个反馈，不把它解释成「用户否认自己的模式」。

11.4行为 meta-pattern · 跨事件聚合

实验里出现过的真实例子：

• "Engagements are constructive critiques rather than option-picks."
• "Overrides reject the assistant's framing rather than its competence."
• "The user redirects to empirical verification rather than reading prose."

这是针对这段协作的行为风格描述，不是用户性格。它的合法性来自四条 guard：

1. 必须 cite 具体事件作为支撑——空言无据不算。
2. 每个 meta-pattern 引用的事件数 ≤5：5 个以上就开始向「用户倾向于 X」滑坡（§11.2 红线）。
3. 主语必须是协作或会话：「这段协作里 engagement 多数是 constructive critique」，不是「用户是 critique 型」。
4. 跨会话聚合时更克制：分布形状可以呈现，但禁止从分布形状外推到用户身份——§4.3 在 meta-pattern 层的具体保护。

meta-pattern 是 rich-format aggregation 的自然副产品，不是独立的输出 surface——不要单独造一个「用户协作风格 dashboard」。它要么作为 §11.1 里事件 cluster 的描述自然出现，要么作为 §11.2 边界与方向的论据出现，要么不出现。

11.5Empty-state（必须诚实）

主语必须是系统：「我没有识别到」「我注意到」「这段协作目前呈现为」——避免把 empty-state 变成对用户的指责。

Work Memory 的 synthesizer 已经在抓 motivation · approach · attempts · lessons · decisions · blockers · next_steps——天然兼容。区别只是：

• Work Memory 记录「这段工作为什么发生、怎么推进」。
• 协作观测 记录「人的方向性输入在哪里出现、后来怎样了」。

三条边界：

1. 不改 canonical log。观察事件是派生数据，绝不写回事实源。
2. 不替代日报。Daily report 面向团队进展；协作观测默认面向用户本人。
3. 不进团队看板。它比工作报告更接近个人协作反思，误用风险更高。

短期最有用的改动，不是新建复杂模型，而是强化现有 synthesizer prompt——显式扫描纠偏、拒绝、约束注入；扫描负空间；在 attempts 里区分 tried-and-rejected；在 motivation 里保留用户原话；artifact-only 工作不强行编造解释。

13.1派生层存储

建议放在项目 root 下，与 canonical log 解耦：

// ~/.work-memory/<userId>/<orgId>/projects/<projectId>/observations/
{
  "id": "obs_2026-05-14_ab12",
  "project_id": "<project-id>",
  "event_window": { "started_at": ..., "ended_at": ... },
  "source_refs": [
    { "type": "session", "id": ... },
    { "type": "entry",   "id": "e_2026-05-14_abcd" },
    { "type": "commit",  "id": "a1b2c3d" }
  ],
  "user_visible_summary": "我给出过直接实现路径，你把问题拉回到运行时边界。",
  "internal": {
    "kind": "gradient_point",
    "baseline": "trajectory_prior",
    "signal_types": ["explicit_constraint", "negative_space"],
    "cost_signals": ["delayed_implementation"],
    "persistence_turns": 4,
    "confidence": "medium"
  },
  "fate":           [ /* append-only */ ],
  "interpretations":[ /* versioned, never overwritten */ ],
  "user_feedback":  [ /* higher priority than system interpretation */ ]
}

13.2四个阶段

13.3Phase 1 · verdict

• Layer 1 · Observation machinery — validated. 预测的失败模式精确对上了实验的失败模式（loose / unanchored 滑向身份描述；strict / anchored 不会）。「理论预测与实验失败模式吻合」是稀有的 epistemic alignment。
• Layer 2 · Conceptual framing（熵 / W / 负熵注入）— self-coherent · self-revisable · 但非唯一。同一组事件可被 Bayesian / Evolutionary / Communication-style 等其他 framing 重新讲一遍。entropy 框架的边在于把不对称放到中心承重。§5.3 的「正熵贡献」轴在本实验里被自己证伪——这是框架自我纠正的证据。
• Layer 3 · Long-term claims（§5.2 长期结构化 / §9 二阶可预测性 / §8 命运追踪 / §10 case 02 事后证错）— structurally untestable at Phase 1. 不是被证伪，是实验本身在 Phase 1 的范围里结构性 unable to address。Phase 2+ 工程基础就位后才能讨论。

Risk	Mitigation
观测滑向评价	文案规则禁止标签、分数和能力判断。
系统过度解释沉默	负空间事件必须有后续行为支撑，并以低确定性呈现。
管理场景误用	默认本地、私有、opt-in，不进入团队日报。
生成 W+1 叙述	只显化 source-backed 事件，不综合人格画像。
只保留「正确事件」	事件不可删除，只能追加命运和解释版本。
二阶可预测性被理解为稳定性评分	明确它只描述协作模式是否可学习，不评价好坏。
baseline 退化为通用比较	长期目标锁定 trajectory prior，不做「和平均人相比」。

14.1验证方法论的固有 ceiling

减轻 recall 盲区的三种可行手段：

• 第三方读者重建测试 — 让一个没参与过这段协作的读者只读 lens 输出，尝试重建 session 的关键动力学；对照原 session 看重建质量。
• 分布形状跨 session 稳定性 — 若事件密度跳变（一个 session 17 个事件、另一个 0 个）且不是 session 本身性质决定的，就是 recall 在某些 session 上系统性失效的信号。
• Fate tracking 启用之后的反向推断 — 出现一个 fate event 却找不到对应的 origin event，被 lens 漏掉的事件被反向暴露。

Phase 1 验证范围限定在 precision；recall 的正面验证留待 Phase 2+ 工程基础就位。这条 ceiling 写入 design note，是为了防止把「参与者认可」误读成「lens 完整捕捉」。