4.6 封闭世界约束校验器：Python实现

4.6 封闭世界约束校验器：Python实现

本节摘要：把封闭世界原则编码为组件清单的校验器——检查清单的完整性（两栏齐全、颗粒度合规）、依赖变量的环境在场性、方案与清单的引用一致性，并与 2.8 节的模板检查器合成完整工具链。完整代码可直接运行，附实测输出。

校验什么

2.8 节的检查器校验"操作记录"是否合规，但它有一个隐含前提：输入的组件清单本身是合法的。垃圾清单进，垃圾判定出。本节补上这块：封闭世界校验器专管清单质量。

清单的四类典型毛病，来自前三章反复出现的坑。其一，环境栏缺失（1.3 节坑二：任务统一与属性依赖无米下锅）。其二，颗粒度失当（3.1 节：主件超过 25 项是物料清单化，少于 5 项是太粗）。其三，组织视角越界（3.2 节：把"人事部"画进服务清单——客户看不见）。其四，依赖变量引用了不在场的环境资源（2.6 节坑一：变量 B 变化范围极小或根本不在场景里）。

前两类与第四类可以机器判定；第三类（"客户是否看得见"）机器判不了真值，但可以用启发式词表做预警——清单里出现"部门、管理、汇报、编制"等词时标记人工复核。

数据结构与规则

扩展 2.8 节的结构，给 Component 加颗粒度标记，给依赖记录补环境在场声明。

from dataclasses import dataclass, field

ORG_WORDS = ("部门", "管理", "汇报", "编制", "绩效", "审批层")

@dataclass
class World:
    internal: list = field(default_factory=list)   # 内部组件名
    environment: list = field(default_factory=list)  # 环境资源名

@dataclass
class Dependency:
    dep_a: str           # 因变量属性
    dep_b: str           # 自变量属性
    b_source: str        # 自变量来源："internal" / "environment"
    b_object: str        # 自变量所属对象名

def validate_world(world, deps, hard_min_i=5, hard_max_i=25, hard_max_e=15):
    issues, warns = [], []
    # 规则一：两栏齐全
    if not world.environment:
        issues.append("环境栏为空：任务统一与属性依赖将无资源可用")
    # 规则二：颗粒度区间
    ni, ne = len(world.internal), len(world.environment)
    if ni < hard_min_i:
        issues.append(f"内部组件仅 {ni} 项（下限 {hard_min_i}）：颗粒度过粗或清单未完成")
    if ni > hard_max_i:
        warns.append(f"内部组件 {ni} 项超上限 {hard_max_i}：疑似物料清单化，建议合并")
    if ne > hard_max_e:
        warns.append(f"环境资源 {ne} 项偏多：疑似写成场景描述，建议只留强交互对象")
    # 规则三：组织视角预警
    for name in world.internal + world.environment:
        if any(w in name for w in ORG_WORDS):
            warns.append(f"组件 [{name}] 疑似组织视角，客户可能看不见，请人工复核")
    # 规则四：依赖自变量的在场性
    env_set, int_set = set(world.environment), set(world.internal)
    for d in deps:
        if d.b_source == "environment" and d.b_object not in env_set:
            issues.append(f"依赖 [{d.dep_a} 随 {d.dep_b}]：自变量对象 [{d.b_object}] 未登记在环境栏")
        if d.b_source == "internal" and d.b_object not in int_set:
            issues.append(f"依赖 [{d.dep_a} 随 {d.dep_b}]：自变量对象 [{d.b_object}] 未登记在内部栏")
    return issues, warns
​

实测：坏清单与好清单

if __name__ == "__main__":
    # 坏清单：无环境栏 + 组织视角 + 依赖引用缺失
    bad_world = World(internal=["运营部门", "后台系统", "审批流程",
                                "风控管理岗", "客服管理组", "工单池"])
    bad_deps = [Dependency("处理优先级", "客户耐心", "environment", "等候情绪")]
    i1, w1 = validate_world(bad_world, bad_deps)
    print("坏清单 →", "FAIL" if i1 else "PASS")
    for x in i1: print("  [issue]", x)
    for x in w1: print("  [warn ]", x)
    # 好清单：2.7节宠物医院推演的清单
    good_world = World(
        internal=["诊室", "候诊区座位", "疫苗注射环节", "护士", "号码牌", "叫号屏"],
        environment=["猫", "狗", "主人手机", "等候时长"],
    )
    good_deps = [Dependency("队列进度显示", "等候时长", "environment", "等候时长")]
    i2, w2 = validate_world(good_world, good_deps)
    print("好清单 →", "FAIL" if i2 else "PASS")
    for x in i2: print("  [issue]", x)
    for x in w2: print("  [warn ]", x)
​

运行输出：

坏清单 → FAIL
  [issue] 环境栏为空：任务统一与属性依赖将无资源可用
  [issue] 依赖 [处理优先级 随 客户耐心]：自变量对象 [等候情绪] 未登记在环境栏
  [warn ] 组件 [运营部门] 疑似组织视角，客户可能看不见，请人工复核
  [warn ] 组件 [风控管理岗] 疑似组织视角，客户可能看不见，请人工复核
  [warn ] 组件 [客服管理组] 疑似组织视角，客户可能看不见，请人工复核
好清单 → PASS
​

坏清单被抓出的三个毛病（环境栏空、依赖对象未登记、组织视角预警）与前三章人工踩坑的结论一一对应——机器复现了有经验引导者的直觉。

合成工具链

两个脚本合成时，校验顺序是关键：先 validate_world，后 check_proposal。清单不合格时直接打回，不进入操作校验——顺序反了的话，一个引用缺失的清单会让操作检查产生一串误导性报错（每个 target 都"不在封闭世界内"）。

def run_pipeline(world, deps, proposal):
    issues, warns = validate_world(world, deps)
    if issues:
        return {"stage": "world", "issues": issues, "warns": warns}
    op_issues = check_proposal(proposal, [
        Component(n, "internal") for n in world.internal
    ] + [Component(n, "environment") for n in world.environment])
    return {"stage": "proposal", "issues": op_issues, "warns": warns}
​

（check_proposal 与 Component 沿用 2.8 节的实现。）这个两级流水线就是 3.5 节工作坊手册里"检查器预装"的完整形态：工位二结束跑第一级，工位五跑第二级。

图 4-6 两级校验流水线

边界：机器判不了什么

诚实地列出校验器的盲区。一，"客户是否看得见"的真值——词表只是预警，误报漏报都存在，复核在人。二，颗粒度的"合理"区间是经验值——特殊对象（超复杂工业品）需要调整参数。三，最重要的：它校验结构不校验价值。一个全 PASS 的方案仍然可能没人要——价值判断永远在工位四的人身上。工具链的价值是把引导者从机械裁判中解放出来，把精力全部投给机器做不了的那部分。

💡 收官建议：把两级流水线的输出接入 3.5 节工作坊的评估环节，让判定理由被现场念出来——"机器说什么"不重要，"团队听着理由学会判断"才重要。工具的终点是教学。

练习

给校验器加第五类规则：同一对象同时出现在内部栏与环境栏时的冲突检测（提示：同名对象双栏登记通常意味着边界划分错误）。用你自己业务的真实清单跑一遍两级流水线。

本节要点回顾

• 校验器职责：清单两栏齐全、颗粒度区间、组织视角预警、依赖自变量在场性；
• 四类毛病对四条规则：前三章人工踩过的坑全部被机器复现；
• 两级顺序：先世界后操作，顺序反了会产生误导性报错；
• 实测：坏清单三项问题被准确抓出，宠物医院好清单 PASS；
• 盲区诚实：可见性真值、颗粒度弹性、价值判断都在人这边；
• 工具的终点是教学：判定理由念出来，团队在听中学到判断。

全册到此收官。你的下一步：选一个真实对象，跑一遍流水线——用市场给推演打分。