第一性公理说的事实——LLM 工作在语义层，自然语言的信息量优于符号系统——并不是一个隐秘的结论。大多数在这个领域工作的人，在某种程度上都知道这一点。
但”知道”和”接受”是两件事。
接受一个事实，意味着让它改变你的设计方向。如果你知道 LLM 工作在语义层，但设计系统时仍然在建向量数据库、建符号索引、追求精确的形式化控制——那说明你只是知道，并没有接受。你在无意识地用前朝的尚方宝剑，斩当朝的官。
CSF（Collaboration Specification Framework，协作规范框架）和其他大多数方案的根本差异就在这里，不在技术，在是否真正接受了两条事实之后顺着它们设计。
LLM 之后，AI 具备了真正意义上的理解能力——它能读懂语境，能识别意图，能在目的的引导下做出判断。这不是规则匹配，是理解。
这条事实工程界普遍知道，却普遍没有接受。没有接受的表现是：继续把 AI 当可预测的黑盒来对待——用越来越精确的提示词控制输出，用越来越严格的格式约束行为，期望 AI 的响应像函数调用一样确定。这套思路本质上是在试图消除 AI 的”活性”，把它压回一个可控的确定性执行器。
但 AI 的”活性”——它基于理解而非规则做判断的能力——正是它有用的原因。消除活性就是消除价值。方向本身是错的，不是做得不够好。
而且这件事并不新鲜。在没有 AI 的时候，以人为管理对象的软件工程，就一直在处理同样的问题——”幻觉”、”误解”、创造性偏差。需求歧义、接口误解、开发者对规格说明的主观理解——这些在传统软件工程中是已知的系统性挑战，工程界为此花了几十年，发明了一整套方法来与”非程序性的参与者”——人——协作：需求评审、设计评审、验收标准、沟通协议。
LLM 出现后，工程界的反应却退步了。好容易有了一个能理解人话的机器，第一反应却是把它当作一个更大的函数来调用——追求可预测化、消除幻觉、形式化控制。这是在放弃一套已经有效的工程传统，用处理确定性系统的方法去对待一个非确定性的智能体。
接受这条AI有“活性”这个事实意味着什么？不要再试图把 AI 机械化，而是设计一套能利用 AI 活性的协作方式——不靠精确指令穷举所有情况，而是靠目的的清晰供给，让 AI 凭活性做出正确判断。
这个道理对人同样成立。人也有活思想，同一件事在不同时刻会有不同判断，边界情境下的决策无法被协议预先规定。纯流程治理和纯协议治理，在边界情境下必然失效——对 AI 如此，对人也如此。活性系统需要活的参与者持续校准方向，人必须在回路，不是作为错误的补丁，而是作为设计前提。
一个概念被使用的次数越多，它积累的含义就越多，AI 对它的掌控力就越弱——不是因为 AI 变笨了，而是因为在越来越大的语义空间里，同一个词被多种语境激活，解读方向越来越分散。
就好像一个布娃娃，跟你的时间久了，故事也就变多，体验和感情也就不同。这个布娃娃的”含义”在增长，而不是在衰减。词汇也是一样：一个概念在项目中被使用的次数越多，它被赋予的含义越丰富——但每增加一层含义，AI 精确定位”此刻需要的那层”就更难。
这条事实在语言学里早有记录。但工程界的反应通常是对抗它：建受控词汇表、用编号替换自然语言、形式化定义概念边界，试图维持概念精度。
这些对抗是徒劳的，而且有副作用。下面的失败案例恐怕很多人都有经验：
在一个 AI 辅助开发项目中，AI 参与者自行建立了一套符号索引系统来管理概念——用编号标记替代自然语言，建立符号间的引用关系。存储空间始终够用，但当索引变复杂之后，四件事同时发生：
最终，AI 放弃了自己建立的索引。不是因为存储空间不够，而是掌控力崩溃了。这个案例完美验证了公理的预测：符号替代自然语言后，语义信息量归零。
这还带来一个更深的推论：上下文并非越大越好。语义空间越大，单一概念的掌控力越弱。不是要扩张窗口来装更多信息，而是要主动管理窗口里的内容，让当前任务的语义空间保持清晰和有限。当前 AI 辅助编程领域聚焦上下文空间扩张，还没有意识到无限大的理想窗口解决不了这个矛盾——主动管理语义空间，才是正确的设计取向。
面对概念稀释，有两种应对方向。理解这两种方向的区别，是理解 CSF 设计选择的关键。
供应侧应对：在知识存储或概念表示上做功。建立严格的词汇表、用编号系统替换自然语言、用更多的定义语义来增加概念区分度。这些方法试图在概念进入系统之前就消除歧义——维持供应侧的概念纯度。
消费侧应对：接受概念稀释为事实，不试图维持概念纯度。依靠信息的消费者——AI——的活性，让它根据当前目的和语境，从多义概念中自行识别正确解读。
CSF 选择消费侧。
原因在于：消费者是有活性的。AI 读到一段自然语言时，不是做关键词匹配，而是做语义解析——即使关键词不完全一致，只要目的和语境清晰，AI 能识别出意图。这个能力不需要供应侧事先消除歧义，它本身就是 LLM 的工作方式。
供应侧方案的问题在于：它忽略了消费者的主动性，把 AI 当成一个需要精确输入才能工作的确定性执行器。这和第一条被接受的事实（AI 有非程序性智能，不能被机械化）直接冲突。更具体地说，对抗语义稀释的工具（符号系统、形式化索引）本身就截断了语义激活路径，把真正需要在语义层工作的 LLM 推向格式匹配。
因此，CSF 的做法是：接受概念稀释，给 AI 准确的语境和明确的目的，让消费者根据目的完成语义解析。用自然语言做索引，而不是用编号系统——正是为了支持消费侧的目的驱动解读。
这个供应侧/消费侧的区分，不只适用于概念稀释问题。它是理解 CSF 与主流方案分歧的通用框架：主流方案几乎全部在供应侧做功（更精确的存储、更智能的检索、更严格的格式），CSF 始终在消费侧解决（给有活性的消费者准确的语境和目的）。
接受了这两条事实之后，很多问题就不再是问题了。
“怎么给 AI 更长的记忆”——不需要，目的的持续在场可以替代记忆。”怎么让 AI 检索更准确”——不需要建专门的检索系统，目的驱动的架构加载比相似度检索更准确。”怎么用精确指令控制 AI 行为”——不需要穷举，目的清晰之后 AI 的活性自然收敛到正确方向。
这就是为什么别的方案需要复杂的工程技术栈（RAG、向量数据库、编排框架、记忆管理系统），而 CSF 不需要——不是 CSF 找到了更好的替代技术，而是接受事实之后，那些技术的存在理由本身就消失了。
形式化工具是为符号处理器设计的。现在好容易有了能理解人话的机器，却要求它像机器一样思考——这不是工程优化，是方向性的错误。
CSF 只是换了一个问题问：不是”怎么让 LLM 按我的精确规定工作”，而是”在 LLM 的本性之内，怎么设计最有效的协作方式”。问题换了，所有答案都跟着变了。
接下来的问题是：如果答案是”自然语言 + 目的”，那目的到底是什么？它如何发挥作用？这是下一篇的内容。