SVO语义矢量算子手册
SVO 3.2 语义矢量算子手册
3.2 修订要点：消除前提算子
>>。 SVO 收敛为三算子系统：绑定:、驱动>、合取/析取& |。 原>>的职能被完全吸收：话题、身份、范围、背景、句子级副词全部归于:（限定属性）；条件、让步、因果、致使全部归于>（能量流）。 本体论从"引力 / 动力 / 场"三支柱简化为"属性 / 力"二支柱——这是一次真正的奥卡姆式收敛。 本手册同时给出生成端的粗粒度化约束（§3.9），防止表达式陷入过度原子化。
一、核心哲学：二元语义物理学
SVO 3.2 将语言处理等同于一个只有两种基本实体的物理系统：
1.1 属性 (Attribute)
世界中的每一个事物都是属性的叠加。"红苹果"不是"红"和"苹果"的外部关联，而是"红"这个属性坍缩到"苹果"上形成的新复合体。话题、身份、范围、背景、句子级副词本质上都是属性——它们限定一个核心（谓词、命题或实体）使其成为更特定的东西。
- "在AI方面"限定"偏向"这个动作 → 属性
- "作为前负责人"限定"Karpathy"这个实体 → 属性
- "显然"限定"他错了"这个命题 → 属性
属性通过引力算子 : 坍缩到核心。
1.2 力 (Force)
世界中的每一次变化都是能量从一点流向另一点。物理动作是力（施事→受事），逻辑推导也是力（前件→后件）。致使、条件、让步、因果、推论——它们在本体上没有差别，都是一个命题释放能量驱动另一个命题成立。
- "论文促使 Tishby 认识到 X" → 物理-心理动作力
- "如果 P 则 Q" → 条件力
- "尽管 P 但 Q" → 反预期力
- "A 导致 B" → 因果力
力通过驱动算子 > 释放。力的方向由中段的连接词项（动词或逻辑连词）明示。
1.3 并联 (Juxtaposition)
当多个属性或多个力并列共存或二者择一时，通过 & / | 连接。这不是一种独立的本体，只是属性/力的复数形态。
二、三算子定义
| 算子 | 名称 | 本体 | 逻辑定义 | 涵盖语法成分 |
|---|---|---|---|---|
| `:` | 绑定 (Bind) | 属性 | 左侧为右侧的限定。右侧可以是词项或封装域。 | 定语、状语、程度词、否定词、模态词、被动标记、量化词、**话题、身份、范围、背景、句子级副词** |
| `>` | 驱动 (Vector) | 力 | 能量从左向右传递。中段为连接词项（动词/逻辑连词）。 | 主谓宾、动宾、致使、**条件、让步、因果、推论**、认知指向、语气（疑问、祈使、感叹）、比较 |
| `&`/ `|` | 合取 / 析取 | 并联 | 并联共存 / 二者择一。 | 并列结构、选择关系 |
辅助符号：( ) 用于逻辑封装，将一组算式打包成一个原子化的域 (Domain)。域在外层算子眼中等价于一个词项。
三、运算规则
3.1 绑定的方向性
公理 I：: 一律左修饰右。A : B 意味着 A 是 B 的限定，结果具有 B 的本体类型。
红 : 苹果是一个苹果（不是一种红）。不 : 适用是一种适用的否定态（不是一种不）。显然 : (他 > 错了)是一个命题（"他错了"的显然态）。
3.2 绑定的递归性与层级性
公理 II：: 的左右操作数都可以是封装域。这是 3.2 相对 3.1 最关键的表达力提升。
(A : B) : C 左侧复合属性 → 限定 C
A : (B > C) 简单属性 → 限定一整个命题
(A : B) : (C > D) 复合属性 → 限定一整个命题
链式绑定从左到右逐级坍缩：
A : B : C = (A : B) : C
示例：
AI : 辅助 : 编程 → (AI的辅助)的编程
不 : 可能 : 实现 → (否定的可能)的实现
所有 : 红 : 苹果 → (全称的红)的苹果
显然 : (他 > 错了) → 整个"他错了"命题的显然态
(AI:方面) : (K > 偏向 > X) → 整个"K偏向X"命题被限定在AI这个范围内
3.3 词项粒度与固定搭配
(a) 固定搭配：当两个词构成不可拆分的语义单元（如"十年之遥"、"与此同时"、"一如既往"），视为原子词项，不强行用 : 拆解。判定标准：拆开后的字面意思无法通过组合还原出整体义。
(b) 任务导向的粒度准则（更宽的合并边界）：除固定搭配外，专有名词、行业术语、偏正复合词也应尽量保留为原子词项。判定问法：
"在当前句子的推导链中，这个子词项是否会被单独施加
:或>？"
- 否 → 并入整体，作为单原子。
- 是 → 才拆分。
示例：
| 原子写法 ✅ | 过度拆解 ❌ |
|---|---|
深度强化学习 |
深度 : 强化 : 学习 |
学习效率 |
学习 : 效率 |
决策鲁棒性 |
决策 : 鲁棒性 |
想象树 |
想象 : 树 |
协作式中间态 |
协作式 : 中间态 |
复杂不完美环境 |
((复杂 & 不完美) : 环境)（除非"复杂"或"不完美"在下文需独立操作） |
保留可拆分的反例：(前 : 负责人) : Karpathy 中，"前"被保留——因为如果上下文要对比"前任 vs 现任"，"前" 就需要独立承载 :。粒度选择取决于当前句子的推导需求，不是越粗越好。
核心心法：SVO 是用来做逻辑推导的，不是底层分词。原子粒度应当大到足以让结构化的算式承载语义重心，而不是把所有词都剥成单字。
3.4 驱动的双重承载
> 在 SVO 3.2 中统一承载两类能量流向，二者在本体上同构：
(a) 动作流：施事 → 动作 → 受事
论文 > 促使 > Tishby > 认识到 > (理论 > 涵盖 > 过程)
(b) 逻辑流：前件命题 → 逻辑连词 → 后件命题
(P1) > 则 > (P2)
(P1) > 尽管 > (P2)
(P1) > 导致 > (P2)
识别原则：> 两端是词项还是封装域决定了它是动作流还是逻辑流——两端都是完整命题时即为逻辑流；否则即为动作流。系统不需要额外标记，读者通过操作数的形态即可判定。
3.5 连接词项一览
连接词项是 > 的中段填充，负责具象化能量的性质。它们本身是普通词项，只是出现在了 > 的关键位置。
| 连接词项 | 语义类型 | 典型中文 | 示例 |
|---|---|---|---|
| `则` | 条件推导 | "如果…就…" | `(P) > 则 > (Q)` |
| `尽管` | 反预期 | "尽管…还是…" | `(P) > 尽管 > (Q)` |
| `导致` | 事实因果 | "…导致…" | `(P) > 导致 > (Q)` |
| `因此` | 推论 | "…因此…" | `(P) > 因此 > (Q)` |
| `促使` | 使役因果 | "A 促使 B …" | `A > 促使 > B > V > ...` |
| `以便` | 目的 | "…以便…" | `(P) > 以便 > (Q)` |
目的、反事实、充要条件等更细的语义关系可以根据需要新增连接词项，不需要新增算子。
3.6 封装域 ( ) 的作用
封装域将一组算式打包成一个原子单位。对外层算子而言，封装域等价于一个词项。
必须封装的情形：
>的两端出现完整命题时，该命题必须封装。:的右操作数是完整命题时，该命题必须封装。- 任何时候需要覆盖默认优先级时。
禁止封装的情形：
- 单一词项（
(苹果)与苹果等价，但多余）。 - 破坏固定搭配（不能把"十年之遥"写成
(十年 : 之遥)）。
3.7 运算优先级
从高到低：
( ) → : → > → & |
即括号最紧，绑定次之，驱动更松，合取/析取最松。
示例：
A : B > C & D > E
解析为：
((A : B) > C) & (D > E)
链式 > 的结合性：> 左结合。
A > B > C > D = ((A > B) > C) > D
这与主谓宾的自然语序一致：A 先与 B 发生作用，其结果再与 C 发生作用。
3.8 歧义消解
SVO 3.2 比 3.1 更依赖操作数形态（词项 vs 封装域）来消解歧义。书写时遵循以下硬性约定：
约定一：当同一个修饰语可能限定动词或整个命题时，用封装范围明确表示。
❌ 显然 : 他 > 错了 （"显然"限定的是"他"还是"他错了"？）
✅ 显然 : (他 > 错了) （限定整个命题）
✅ 他 > (显然 : 错了) （限定"错了"这个谓词）
约定二：当话题可能限定一个动作或一整段话语时，封装要明确。
(AI:方面) : (Karpathy > 偏向 > X) （整段话都在 AI 方面这个范围内）
Karpathy > ((AI:方面) : 偏向) > X （只有"偏向"这个动作在 AI 方面展开）
两种写法都合法，书写者根据原意选择，读者根据括号判定。
约定三：连接词项（则、尽管、导致 等）两端必须是封装的完整命题。裸词项不能出现在逻辑流 > 的两端。
❌ P > 则 > Q （未封装，易被误读为动作流）
✅ (P) > 则 > (Q)
3.9 粗粒度化原则（生成端约束）
3.2 的算子集已经足够完备，但写出来的算式是否好用，取决于生成端选择的粒度。SVO 表达式最终要被 LLM 智能体读入，用作长短期记忆和 Plan Tree 的底层结构——过度原子化会让一句话嵌套四五层括号，浪费上下文窗口、干扰注意力、违反人类直觉。本节给出四条工程级生成约束，与算子规则同等具有约束力。
3.9.1 词汇组块坍缩 (Lexical Chunking)
原则：专有名词、行业术语、偏正复合词作为原子词项，能合则合。判定见 §3.3 (b)。
反例 vs 正例：
| ❌ 过度原子化 | ✅ 粗粒度组块 |
|---|---|
深度 : 强化 : 学习 |
深度强化学习 |
(学习 : 效率) & (决策 : 鲁棒性) |
学习效率 & 决策鲁棒性 |
(想象 : 树) |
想象树 |
(基于 : 想象) : 计划 : 方法 |
基于想象的计划方法 |
3.9.2 扁平化多重属性 (Flattening Modifiers)
原则：当同一核心被多个修饰同时限定时，先用 & 把所有修饰合取，再做一次 : 绑定。禁止生成 ((A:B):C):D 形式的多层嵌套。
方位词归并：方位词（中、里、上、下、前、后、内、外、间）直接并入名词，不单独绑定。
反例：
((((复杂 & 不完美) : 环境) : 中) : ((学习 : 效率) & (决策 : 鲁棒性)))
四层嵌套，难以阅读。
正例（中等粒度）：
((复杂 & 不完美) : 环境中) : (学习效率 & 决策鲁棒性)
同层修饰一次合取后做单次绑定，方位词"中"并入"环境"。
正例（更粗粒度）：
复杂不完美环境中 : (学习效率 & 决策鲁棒性)
前置修饰词全部坍缩入名词。
3.9.3 宏辖域优先 (Macro-Scoping)
原则：范围、背景、话题修饰默认上提到整命题层绑定，而非深埋在受事的子树里。
§3.8 约定二指出"两种写法都合法"，但 3.9 把整命题绑定升为默认偏好——除非原意明确只限定某个动词，否则一律上提。这既符合人类"先给背景，再说事"的认知顺序，也让命题的真值评估辖域一目了然。
反例（话题深埋在受事内）：
DeepMind > 提升 > (智能体 : ((((复杂 & 不完美) : 环境) : 中) : ((学习 : 效率) & (决策 : 鲁棒性))))
正例（话题上提到命题外）：
(复杂不完美环境) : (DeepMind > 提升 > 智能体:(学习效率 & 决策鲁棒性))
3.9.4 虚词与代词省略
原则：轻量级语气词、代词、范围助词（该、还、能、并、就、也、其、此）若不承载关键逻辑重量，可直接省略，或与邻近词合并。不强行抬到属性位。
反例：
(该 : 智能体) > ((还 & 能) : 决定) > ...
正例（合并）：
智能体 > (能 : 决定) > ...
正例（直接省略）：
智能体 > 决定 > ...
判定法："这个词被删掉，原句的逻辑结构会缺失关键信息吗？"——否则就删。模态词（必须、可以、应该、可能）和否定词（不、未、非）不属此类，必须保留。
四、标准拓扑模型
4.1 基本动作模型
拓扑：施事 > 动作 > 受事
他 > 吃 > 苹果
论文 > 引用 > (前人 : 工作)
4.2 话题-核心模型
3.1 用 >>，3.2 用 : 限定封装域或谓词。
原句：在AI辅助编程方面，Karpathy更偏向"协作式中间态"。
(AI辅助编程方面) : (Karpathy > (更 : 偏向) > 协作式中间态)
解读：整个主命题被"AI辅助编程方面"这个原子背景限定——即命题只在此范围内评真值。AI辅助编程、协作式中间态 作为专有术语保持原子粒度（参见 §3.9.1）。
4.3 身份嵌套模型
原句：OpenAI的创始元老Karpathy表示AGI仍有十年之遥。
(OpenAI : 创始 : 元老) : Karpathy > 表示 > (AGI > 仍有 > 十年之遥)
身份直接作为属性绑定到 Karpathy，无需额外算子。"十年之遥"为原子词项。
4.4 致使模型
原句：论文促使Tishby认识到理论可能涵盖广泛的过程。
论文 > 促使 > Tishby > 认识到 > (理论 > (可能 : 涵盖) > (广泛 : 过程))
致使是动作流的一种，中段动词为"促使"。
4.5 条件模型
拓扑：(条件命题) > 则 > (结果命题)
原句：该计划如果不公开，就无法获得认可。
(该计划 > 不 : 公开) > 则 > (该计划 > (无法 : 获得) > 认可)
4.6 让步模型（3.2 新增显式处理）
拓扑：(命题1) > 尽管 > (命题2)
原句：尽管下雨，比赛仍然继续。
(天 > 下雨) > 尽管 > (比赛 > (仍然 : 继续))
让步在 3.1 中归于 >>，在 3.2 中与条件平齐，统一进入 >。二者的差别仅在于连接词项的语义——"则"是顺承，"尽管"是反预期。
4.7 因果链模型
原句：经济下行导致消费萎缩，因此企业被迫裁员。
(经济 > 下行) > 导致 > (消费 > 萎缩) > 因此 > (企业 > (被迫 : 裁员))
链式 > 让整条因果推导在语法上呈现为一条直线。
4.8 被动与否定复合模型
原句：现有框架不仅不适用，而且必须被立刻替换。
(现有 : 框架) > (不 : 适用) & (必须 : 被 : 立刻 : 替换)
4.9 量化模型
所有 : 学生 > 通过 > 考试
没有 : 学生 > 通过 > 考试
某 : 学生 > 通过 > 考试
4.10 句子级副词模型（3.2 新增显式处理）
原句：显然，他错了。
显然 : (他 > 错了)
原句：不幸的是，实验失败了。
(不幸 : 的是) : (实验 > 失败)
句子级副词通过 : 绑定到封装命题上，辖域精确锁定为整个命题。
4.11 比较模型
原句：A 比 B 更大。
A > (比 : B : 更 : 大)
或等价写法：
(A & B) > 比较 > (A > 更大)
前者把"比B更大"视为A的谓词属性，后者把比较视为一个显式的逻辑力。两种写法合法，根据上下文强调点选择。
4.12 疑问与祈使模型
疑问："他吃了吗？"
疑问 : (他 > 吃了)
祈使："请关门。"
祈使 : (你 > 关 > 门)
语气作为句子级属性绑定到命题封装域上。
五、实战长难句解析
挑战句
原句：作为前负责人，Karpathy 今天明确向团队表示，该计划如果不公开，就无法获得认可。
SVO 3.2 表达式
(前 : 负责人) : Karpathy > ((今天 & 明确 & (向 : 团队)) : 表示) > ((该计划 > 不 : 公开) > 则 > (该计划 > (无法 : 获得) > 认可))
逐层解析
| 层级 | 算式片段 | 本体 | 说明 |
|---|---|---|---|
| 实体限定 | `(前:负责人) : Karpathy` | 属性 | 身份作为复合属性绑定到实体 |
| 动作谓词 | `((今天 & 明确 & (向:团队)) : 表示)` | 属性 | 时间、方式、对象三属性合取后限定"表示" |
| 主动作流 | `Karpathy > (...) > (...)` | 力 | 施事→言说动作→言说内容 |
| 言说内容 | `((该计划 > 不:公开) > 则 > (...))` | 力 | 条件命题通过逻辑连词"则"驱动结果命题 |
| 条件命题 | `(该计划 > 不:公开)` | — | 前件，完整命题封装 |
| 结果命题 | `(该计划 > (无法:获得) > 认可)` | — | 后件，完整命题封装 |
与 3.1 对比
3.1 写法：
(前:负责人) : Karpathy >> (今天 & 明确 & (向:团队)) : 表示 > ((该计划 > 不:公开) > 则 > (该计划 > (无法:获得) > 认可))
差异：
- 外层
>>→>。身份属性直接绑定到 Karpathy 后，Karpathy 作为施事通过>连接到言说动作。 - 谓词部分额外加了括号
((今天 & ...) : 表示)，使"表示"连同其属性成为一个完整的动作域。 - 整句变成一条
>主链贯穿"主体→言说→内容"，层级比 3.1 更规整。
粗粒度 vs 细粒度对比
3.2 算式合法不代表好用。下面两组对照展示 §3.9 粗粒度化原则的实际效果——同样一句话，过度原子化会陷入"LISP 括号综合征"，而粗粒度版能让语义重心一眼可见。
对比示例 1：DeepMind 智能体
原句：DeepMind 通过赋予智能体想象力，提升智能体在复杂不完美环境中的学习效率和决策鲁棒性。
❌ 过度原子化：
DeepMind > ((通过 : (DeepMind > 赋予 > 智能体 > 想象力)) : 提升) > (智能体 : ((((复杂 & 不完美) : 环境) : 中) : ((学习 : 效率) & (决策 : 鲁棒性))))
✅ 粗粒度优化版：
(复杂不完美环境) : (DeepMind > ((通过 : (赋予 > 想象力)) : 提升) > 智能体:(学习效率 & 决策鲁棒性))
优化点：
- 辖域上提（§3.9.3）：把"复杂不完美环境"作为整个命题的背景，提到最前面而非塞进受事子树。
- 组块坍缩（§3.9.1）：
复杂不完美环境、学习效率、决策鲁棒性各自合并为原子词项。 - 省略主语重复：施事
DeepMind在主句中已出现，从属命题里的DeepMind > 赋予主语可省略为赋予 > 想象力。 - 方位词归并（§3.9.2）：
环境中直接合并，不写作环境 : 中。
对比示例 2：智能体决策
原句：该智能体还能决定例如测试不同行动或构建复杂想象树的想象方式，并能优化计划的经济性和效率。
❌ 过度原子化：
(该 : 智能体) > ((((还 & 能) : 决定) > (((例如 : ((测试 > (不同 : 行动)) | (构建 > (复杂 : (想象 : 树))))) : (想象 : 方式)))) & (((并 & 能) : 优化) > (计划 : (经济性 & 效率))))
✅ 粗粒度优化版：
智能体 > (决定 > (例如:(测试>不同行动) | (构建>复杂想象树)) : 想象方式) & (优化 > 计划:(经济性 & 效率))
优化点：
- 虚词省略（§3.9.4）：
该、还、能、并都不承载逻辑重量，直接删除。 - 组块坍缩（§3.9.1）：
想象树、想象方式、不同行动合并为原子词项，不再想象 : 树。 - 扁平化（§3.9.2）：
(经济性 & 效率)一次性并联绑定到计划。
六、书写步骤
- 确定原子词项边界（§3.9.1）：扫描句子，把所有专有名词、行业术语、偏正复合词预先标记为不可拆分的原子。判定法："这个子词项在当前推导链中是否会被单独施加
:或>？否 → 合并"。 - 识别核心：找出句子的施事和主动作（或主命题）。
- 属性坍缩：将所有修饰词（定语、状语、否定、模态、量化、被动、话题、身份、范围、句子级副词）用
:挂载到被修饰的核心上。- 核心是词项 → 属性直接绑定。
- 核心是整个命题 → 属性绑定到封装域
(...)。 - 同一核心的多个修饰先
&合取，再做一次:绑定（§3.9.2）。
- 区分动作流与逻辑流：
- 动作：施事→动词→受事，直接用
>。 - 条件/让步/因果/推论：两端用
( )封装完整命题，中段填入连接词项（则、尽管、导致、因此、促使、以便）。
- 动作：施事→动词→受事，直接用
- 连接矢量：用
>串联动作的始发与终点，以及命题之间的推导。 - 处理递归：宾语或操作数是完整命题时用
( )封装。 - 处理并列：并列成分用
&（共存）或|（选择）连接。 - 检查优先级：确认解析顺序符合
( ) → : → > → & |。 - 一致性校验：
- 所有
>的逻辑流两端都是封装命题。 - 所有句子级副词都绑定到封装命题而非裸动词。
- 所有身份/话题都以
:形式出现，不应出现任何>>。
- 所有
- 最小化括号：在不产生歧义的前提下去除冗余封装。
- 粗粒度回扫（§3.9）：最后一遍检查——
- 是否有可合并的同层修饰仍在多次
:嵌套？ - 是否有范围/话题修饰被深埋在受事子树里，可上提到整命题层？
- 是否有"该、还、能、并、就、也"等虚词被强行抬到属性位，可省略或合并？
- 是否有专有名词/术语被拆成单字？（如
深度 : 强化 : 学习→深度强化学习）
- 是否有可合并的同层修饰仍在多次
七、常见陷阱
陷阱一：把条件压成定语
❌ ((不 : 公开) : 该计划) > 则 > (...)
✅ (该计划 > 不 : 公开) > 则 > (...)
条件必须是完整命题。(不:公开):该计划 只是一个"不公开的该计划"的名词短语，不具有真值。
陷阱二：句子级副词的辖域混淆
❌ 显然 他 > 错了 （"显然"游离，无归属）
❌ 他 > 显然 > 错了 （"显然"不是动词，不能出现在 > 的中段）
✅ 显然 : (他 > 错了) （限定整个命题）
✅ 他 > (显然 : 错了) （限定谓词——通常不符合原意）
陷阱三：忘记封装逻辑流
❌ 该计划 > 不 : 公开 > 则 > 该计划 > 无法 : 获得 > 认可
✅ (该计划 > 不 : 公开) > 则 > (该计划 > (无法 : 获得) > 认可)
没有封装的链式 > 会被解析成一条长动作流，完全扭曲原意。
陷阱四：话题辖域不清
歧义 (AI : 方面) : Karpathy > 偏向 > X
（AI方面限定的是 Karpathy 还是整个命题？）
明确 (AI : 方面) : (Karpathy > 偏向 > X)
（整个命题都在 AI 方面）
明确 Karpathy > ((AI : 方面) : 偏向) > X
（只有"偏向"这个动作在 AI 方面）
陷阱五：滥用 & 连接异质成分
❌ (苹果 & 快速) : 吃 （苹果是受事不是属性，不该与副词并列）
✅ 快速 : 吃 > 苹果 （快速限定吃，苹果是受事）
& 只连接同一本体类型的项：属性与属性、命题与命题、词项与词项。
陷阱六：残留 >>
从 3.1 迁移过来的文本最常见的问题。扫描全文，任何 >> 都是错误。
陷阱七：过度原子化（拆解专有名词与术语）
❌ 深度 : 强化 : 学习
❌ (想象 : 树)
❌ (基于 : 想象) : 计划 : 方法
✅ 深度强化学习
✅ 想象树
✅ 基于想象的计划方法
SVO 是逻辑推导工具，不是底层分词器。专有名词、行业术语、偏正复合词在当前句子的推导链中通常不会被单独操作，应作为原子词项保留。判定原则见 §3.3 (b) 与 §3.9.1。
陷阱八：俄罗斯套娃式嵌套（同层修饰未合取就多次 :）
❌ ((((复杂 & 不完美) : 环境) : 中) : ((学习 : 效率) & (决策 : 鲁棒性)))
（四层嵌套，违反 §3.9.2）
✅ 复杂不完美环境中 : (学习效率 & 决策鲁棒性)
当多个属性修饰同一个核心时，先用 & 把所有属性合取成一组，再做一次 : 绑定。方位词（中、里、上、下、前、后、内、外、间）直接并入名词，不单独 : 绑定。
陷阱九：范围属性深埋（话题/背景塞在受事内部）
❌ DeepMind > 提升 > (智能体 : ((((复杂 & 不完美) : 环境) : 中) : (学习效率 & 决策鲁棒性)))
（"复杂不完美环境"是整句的背景，不该塞进受事子树）
✅ (复杂不完美环境) : (DeepMind > 提升 > 智能体:(学习效率 & 决策鲁棒性))
（背景上提到整命题层）
范围、背景、话题修饰默认上提到整命题层绑定（§3.9.3）。除非原意明确只限定某个动词（此时按 §3.8 约定二写法），否则一律按 (背景) : (整命题) 拓扑。
八、3.1 → 3.2 迁移指南
机械迁移规则
| 3.1 形式 | 3.2 形式 | 说明 |
|---|---|---|
| `(话题) >> (主命题)` | `(话题) : (主命题)` | 话题作为复合属性绑定到命题域 |
| `(身份) : X >> ...` | `(身份) : X > ...` | 身份已经是 `:`，只需把后续 `>>` 换成 `>` |
| `(背景介词短语) >> (主命题)` | `(背景短语) : (主命题)` 或嵌入谓词 | 根据辖域选择 |
| `(让步命题) >> (主命题)` | `(让步命题) > 尽管 > (主命题)` | 让步升级为逻辑流 |
| `(条件命题) > 则 > (结果命题)` | **保持不变** | 3.1 已是新写法 |
| `原因 > 促使 > X` | **保持不变** | 致使模型不变 |
判定流程
遇到一个 3.1 的 >>，按下列顺序判断如何迁移：
- 左侧是完整命题且表达让步吗？ → 用
> 尽管 >。 - 左侧是完整命题且表达背景条件吗？ → 用
> 则 >或合适的连接词项。 - 左侧是话题/范围短语吗？ → 用
:绑定到右侧整个封装域。 - 左侧是身份属性吗？ → 用
:绑定到实体，>>整体删除。 - 左侧是句子级副词吗？ → 用
:绑定到右侧封装命题。
验证
迁移后的文本应满足：
- 不含任何
>>。 - 所有
>两端若是命题，则必为封装域。 - 所有原
>>的辖域在新写法中通过括号精确保留。
九、SVO 版本演进
| 版本 | 算子集 | 本体 | 核心调整 |
|---|---|---|---|
| 3.0 | `:` `>` `>>` `& |` | 引力 / 动力 / 场 | 四大算子，`>>` 兼管话题与条件 |
| 3.1 | `:` `>` `>>` `& |` | 引力 / 动力 / 场 | 条件从 `>>` 划归 `>`，`>>` 收窄到非命题性话语场 |
| 3.2 | `:` `>` `& |` | 属性 / 力 | **消除 `>>`**，话语场归于属性，让步归于力 |
演进逻辑：每一代都在追问"哪些算子是真正不可还原的"。3.0 的三支柱看似优雅，但 3.1 发现"条件"不属于场；3.2 进一步发现所谓的"场"本身也只是属性的一种应用，于是彻底撤掉。剩下的两元本体——属性与力——恰好对应语言中两种最基本的认知操作：描述事物是什么（属性叠加）和描述事物如何变化（能量流动）。
附录：判定口诀
限定一个东西是什么 →
:描述一个东西如何作用于另一个 →>两个同类项并列 →& / |需要打包成整体 →( )能合则合 → 专有名词不拆，同层修饰先&后:，范围属性提到命题外没有第四种。
No comments to display
No comments to display