# Hello, agent 这是一个示范性探索项目，探索 WeHub 作为科研孵化器来推动 HCGM 研究，我们会和 WeHub 智能系统一起持续演化。 ## Agent notation gate：修改前必读 相对任何其他的有关研究，我们增加了一个全新的 focal-token/unit epistemic uncertainty, 真实 token 已经固定；我们是把学习器对它的认识不确定性显式建模为 first-class object，没有给世界增加新的随机性。 “token”这个词不新，“一个样本对应一个 unit/token”也不新；真正可能全新的，是把 concrete token identity 提升为一个持续存在、可 abduce、带 epistemic uncertainty、并且必须跨 query 保持一致的 causal-learning object。 任何 Agent 修改 Learning DiscoSCM 的数学、实验设计、代码接口或网站 projection 之前， 必须先读： - canonical source: [`entrances/DISCOSCM_UNIT_SELECTION_NOTATION.md`](entrances/DISCOSCM_UNIT_SELECTION_NOTATION.md) - reader page: [只有一个 $U$：Unit Selection Variable、样本真值与 belief](entry-site/learning-discoscm/unit-selection-variable/index.html) 硬约束是： $$ U\text{ 是唯一的 model-level Unit Selection Variable},\qquad U=u_i\text{ 是样本 }i\text{ 的真实选择}, $$ $$ Q_i(B)\approx P(U\in B\mid X=x_i) $$ 是由样本 evidence 产生的完整 belief object。样本下标可以属于 $x_i,y_i,z_i,u_i,Q_i$，不能用来复制 $U$。计算上从 $Q_i$ 取得的是 candidate draw；world-side ground truth $u_i$ 不是 abduction network 生成的。 alternative query 必须复用同一个 factual $Q_i$。 这里的 `selection` 只表示 $U$ 选择 token identity/code。它不表示 treatment/action $A/T$、sample inclusion $S^{\mathrm{obs}}$ 或 propensity。$P_U$ 描述 declared target population 的 token composition；$Q_i$ 是 focal-token belief，不是 propensity。 latent-code `q` / Cauchy full support 不等于 causal positivity。Unit abduction 不会自动修复 sample-selection bias 或 treatment confounding。identity/code 与 response-equivalence class 也必须分开：恢复相同 response law 不等于恢复 physical token identity。 ## 核心问题 HCGM 是一种异质反事实生成模型。在适当设定与可验证假设下，它旨在端到端学习因果机制，直接回答三级因果问题；相比 ordinary supervised ML counterparts，我们希望它具备更强的可解释性和稳健性。 当前关于“端到端学习”的可推进假设不要泛泛化：在 causal regression 论文线里，先以 **柯西分布 + 线性因果机制** 作为关键可学习设定。非柯西分布、非线性机制以及更一般的 end-to-end learnability 先作为后续 generalization seed，不在当前主线里过早展开。 回归预测是 HCGM 应用中的一个相对独立子主题，不等于整个 HCGM 项目的全部问题。当前我们先用这个最被广泛研究的预测问题，把 HCGM 的 “先 Abduction, 后 Prediction” 异质生成模型框架讲清楚。 我们提出了 “先 Abduction, 后 Prediction” 的异质生成模型框架。面对最常见的回归预测问题，核心步骤是： - step 1. 世界先有一个真实 token realization $U=u^\star$；$u^\star$ 是该 unit 的 embedding，不是样本编号。 - step 2. learner 看到 predictors $X=x$，先将它作为 factual evidence，输出 point、Gaussian 或 Cauchy unit-abduction result。 - step 3. 同一个 $x$ 再作为 factual outcome query，与 candidate $u$、event noise $E$ 一起进入共享 generator $f_\theta(x,E;u)$。 - step 4. prediction 综合 candidate-unit uncertainty 与 event randomness，输出 outcome distribution；Cauchy 路线使用 location、quantiles 与 intervals，不假装存在 mean / variance。 请注意该框架共享的是 unit-modulated generator，不是为每个样本独立拟合一条无关函数。 对于每个 unit, 最小模型语法: $$ x = g(E_x; u) $$ $$ y = f(x, E; u) $$ 第一行只有在具体 observation model 确实如此时才使用；“$X=x$ 是 evidence”本身是 learner-side conditioning statement，不自动承诺 $U\to X$ 的 causal arrow。第二行提醒 agent 不要把 $P(Y \mid X=x)$ 当成事实世界生成机制本身。 一个首要疑问是，回归预测中，哪里来的反事实？actual token 始终是 $u^\star$； $\widetilde u\sim q_\phi(du\mid x^F)$ 只是 learner 对它的 candidate draw。普通 factual prediction 令 $x^Q=x^F=x$；如果保持 factual abduction result，却把 query 改为 $x'$ 并通过 $f_\theta(x',E;\widetilde u)$ 计算结果，才进入 same-token alternative-input query。 只有在 $X$ 的 intervention semantics 被声明后，才能把它进一步解释为 $P(Y\mid do(x');u)$ 风格的操作。 HCGM 需要回答：事实世界和反事实世界到底共享什么，又最小必要地改变什么？ ```text For a concrete counterfactual question, what is the minimum necessary difference between the factual world and the counterfactual world? ``` 当前最小回答： ```text 在个体维度上，反事实世界与事实世界共享 unit，共享 outcome 的生成机制，共享外生噪声分布；内生变量共享什么，看 query / 干预而定。 ``` counterfactual world 是 factual world 的虚拟镜像世界。counterfactual 本质是一个 individual level 的概念：what if 隐含的是同一个 unit，所以 unit 不会变。我们追求最小必要改变——能相同的就尽量相同；每个部分首先都有 counterpart，然后按 query 决定哪些 counterpart 必须改变。 **个体维度上共享的：** - **同一个 unit（$u$）**：primitive counterfactual 针对个体，不是换一个人。 - **outcome 的生成机制（$f$, $g$ 等）**：结构方程和 DAG 机制保持不变。 - **外生噪声分布**：counterfactual world 中的 noise counterpart 应与 factual world 同分布；distribution-consistency 是我们最自然、最符合实践的选择（后面看看怎么推进证明）。 **看 query / 干预而定的：** - **内生变量**：哪些内生变量在 factual 与 counterfactual world 之间共享 counterpart、哪些必须改变，不由一条 universal 法则决定，而取决于你问的 causal query 和所实施的干预。 - **干预条件（change the condition）**：这是 connect counterfactual world 和 factual world 的核心杠杆。你关注的因果目标不同，所实施的干预就不同，factual 与 counterfactual world 的联系也就不同。 - **事件级随机状态（resample the noise）**：在 distribution-consistency 下重采样 $E$，而不是默认精确复用同一个 $E=e$。 在标准 $do(x)$ 下，处于干预节点下游的内生变量（如中介变量 $Z$）应遵循机制 $f$ 自然改变——**不应**被普遍要求“与事实观测一致”。一个常见误区是：把“内生变量尽量与观测一致”当成所有反事实世界的通用法则。这会阻断因果传递。若我们不仅改变 $X$，还强行锁死 $Z$ 为事实观测值（$do(X=x, Z=Z_{\text{factual}})$），那不是在回答普通的总效应，而是在回答一种更特殊的 query——例如自然直接效应（NDE）。区分直接潜在结果与间接潜在结果，本质上就是区分不同的干预类型；具体干预的类型，会创造不同的反事实结果。 当前 end-to-end 回归论文比较三种 unit abduction：point、Gaussian 与 Cauchy。 Cauchy-affine 主路线另外需要两条可检验结构假设： - candidate-unit uncertainty 采用 Cauchy location / scale family； - outcome generator 对 unit representation 与 query 采用当前声明的 affine / linear structure。 超越回归预测，我们可以进一步就三个悖论的合成数据，进行 HCGM 的建模，这种方法能够带来什么解释上的优势？什么预测能力的提升？ 我们如何验收验证评测可解释性和稳健性有关的优势？ 最后我们将会在广泛的因果有关任务上探索 HCGM 框架的应用！ 更进一步，我们的 HCGM 是一种最掌握因果建模的如何， DiscoSCM 是理论根基，最终我们将会为任何 Agent 理解和掌握因果关系提供了 SOTA 系统解决方案。 ## 最底层思考 经典监督学习用 $n$ 个样本直接估计一条 $x\mapsto y$ predictive law；这里把同一数据重新 理解为共享 generator $f_\theta(x,E;U)$ 的 $n$ 次 token realizations，每个 token-level slice 只暴露一次 factual evaluation。不是创建 $n$ 个互不相关的自由函数。 我们研究的是学习 token-level response function。给定最经典的 $n$ 个样本 $(x^{(n)},y^{(n)})$，每一行是一次 token realization $u^{(n)}$ 的 factual evaluation。 第一种模型把所有 rows 直接压成同一条 response function；第二种模型则把每个 token 看成共享 generator $f_\theta(x,E;U)$ 的一个 slice。接下来的问题不是独立拟合 $n$ 条 自由函数，而是如何从 $X=x$ abduct token，并学习 slices 之间可共享的生成结构。 在没有任何跨 Unit 结构约束时，单点数据无法恢复一条函数。经典监督学习本质上是在做高级的归纳法——它假设所有样本都在遵从同一个“共享规律”，认为只要数据量 $n$ 足够大，就能大力出奇迹拟合出那条曲线。我们 $$ \boxed{ \text{不再共享 response function；共享的是 response functions 的生成规律。} } $$ 前者寻找最大公约数，后者追求有共享结构约束的极端 Personalization。 # 附录 ## 顶层架构：一个研究纲领，多条独立证据线 > 2026-07-11 owner-authorized routing update：本节只更新项目架构与入口， > 不改写上面的 living scientific seed。 HCGM 现在按 research program 理解，不等同于某一篇 regression paper。多个 论文项目放在 `hcgm/paper/` 下，是因为它们共享同一个建模语法： ```text factual predictors / admissible evidence x^F -> point / Gaussian / Cauchy unit abduction about the same actual token -> 在稳定的共享 generator f_theta(x^Q,E;u) 中设置 factual 或 alternative query -> 综合 candidate-unit uncertainty 与 event-level noise -> 得到 predictive outcome distribution；causal contrast 需另加 intervention assumptions ``` 这里的共同点是 heterogeneous unit、factual evidence、intervention-indexed mechanism 与 reduction 的角色分离；不同论文负责检验不同 query。它们不能自动 共享 estimand、identification、support、cross-world coupling、实验结果或强 claim。 当前多篇论文使用的 Cauchy + affine/linear family 是 tractable family，不是 HCGM 的定义本身。 ## 为什么独立成项目 `causal-mind/` 是更大的因果心智孵化空间。HCGM 现在需要变成一个标准科研项目，因为它要接受更硬的约束： - claim 要能进入 paper； - example 要能进入 toy； - notation 要能被反驳和修正； - assumption 要显性化； - projection 不能替代 source。 ## 当前 grow 面与 paper family - `paper/`：多个共享 HCGM 语法、但独立维护 claim 与 evidence 的论文 / 研究线。 - `toy/`：当例子能区分不同 query/context/target commitment 时再 grow。当前已有五个可复用 toy：`toy/hcgm-regression-worked-example/`、`toy/cauchy-affine-response-kernel/`、`toy/simpson-paradox/`、`toy/berkson-paradox/` 和 `toy/surrogate-marker-paradox/`。 - `entry-site/`：统一入口网站子模块。先读 `entry-site/seed.md`，它推动网站入口的 grow；`index.html` 和部署脚本只是当前 projection，不替代 paper/toy/source。 - `entrances/`：保存 positioning、teaching 与历史四入口传播材料；它不是 active manuscript truth。 当前 paper family 路由： ```text paper/learning-discoscm/ # active flagship: How to learn DiscoSCM? paper/unit-mechanism-learning/ # independent general method paper paper/token-causation/ # independent causal ontology paper paper/unit-abducted-cate/ # DiscoCATE: HTE localization theory draft paper/causal-regression/ # corrected precursor + prior work/code/provenance paper/causal-effect/ # binary-treatment sibling paper paper/continuous-treatment/ # continuous-dose sibling paper ``` `causal-regression/` 是 corrected factual-prediction precursor 与历史证据入口； `learning-discoscm/` 从 DiscoSCM ontology 推导第一个可学习 outcome-mechanism slice， 二者不能互相替代或共享证据。 `unit-abducted-cate/` 消费一个 frozen / honestly cross-fitted abductor 作为 localization interface，但不继承 Learning DiscoSCM 的 theorem 或 experiment truth；其 public reader 在 `entry-site/learning-discoscm/unit-abducted-cate/`。 `causal-effect/` 与 `continuous-treatment/` 分别把同一 HCGM 语法专门化到 binary treatment 与 continuous dose；它们是 sibling papers，不是 regression 稿的附录。 2026-06-26 的 F1 reader request、feedback 与 next-grow decision 是当时四入口阶段的 review / branch-selection 记录，不再作为整个 HCGM research program 的全局 gate。 只有任务明确涉及该阶段反馈或 provenance 时，才回读这些文件。 最新 owner 表述对齐审计： ```text _archive/phase-2026-06-26/HCGM_LATEST_EXPRESSION_ALIGNMENT_AUDIT_2026-06-24.md ``` 它的边界是：基本说清楚 HCGM 如何进行 regression prediction。论文正文可以是英文，但 inline seeds 应保持中文，方便 owner review 和后续重启。 ## 边界 - 这不是完整 Causal Mind 项目。 - 这不是旧 DiscoSCM LaTeX 的搬家目录。 - 这还不是 codebase。 - 网站入口可以在 `entry-site/` grow，但 projection 不能替代 source。 ## Canonical Paths Project body: ```text /Users/cms/.openclaw-causaclaw/workspace/projects/hcgm/ ``` Owner-facing shared entry: ```text /Users/cms/wehub-system-msp/causal-superintelligence/hcgm ``` Shared entry: ```text /Users/cms/.openclaw/workspace/projects/causal-superintelligence/hcgm ``` Incubation source: ```text /Users/cms/.openclaw/workspace/projects/causal-superintelligence/causal-mind/hcgm/ ``` Phase handoff: ```text /Users/cms/.openclaw/workspace/projects/causal-superintelligence/causal-mind/PHASE_HANDOFF_2026-06-24.md ```