CSF

第一章：什么是 CSF

迟早，人类要学会与智能共事。 CSF 是一次尝试。

长时间以来，人们把 AI 当工具——努力让它更听话，更准确，更可控。这个方向没有错，只是解决的不是最重要的问题。

CSF 从另一个方向出发：不驯服 AI，而是与它建立协作结构。

CSF 是人机混合团队的协作操作系统。 诞生于软件工程实践，理论根基触及认知科学，核心价值在于让 AI 从工具变成可靠的协作者。

一、它从哪里来

CSF（Collaboration Specification Framework，协作规范框架）的起点是一条公理和两个事实（我称之为乓定律，是个玩笑）：

自然语言本质上是高维、概率和网状的，而符号系统是低维、确定和线性的。如果试图用低维的符号系统为高维的智能系统带来确定性，就如同为了不让水流动而将其冻成冰块——你得到了确定性，但失去了活性。因此，有两个事实需要重新得到重视：

乓定律，决定了 CSF 全部设计的方向。

但 CSF 不是纯粹的演绎产物。它同时有另一面：Owner 在一个真实的软件产品重构项目（帮找 v3）中，带着这几个初步想法开始实践，让 AI 一边做设计，一边迭代协作规范。超过 390 次真实会话，不断验证、修正、精炼。公理在压力下被检验，规范在失败中被重写，最终涌现出一套从理论到工程落地的完整体系。

逻辑自洽是它的骨架，真实压力测试是它的血肉。

这个来源决定了 CSF 的双重性质：

[!hint] 与香农信息论定义的 “ 冲突 “ 乓定律的公理说的是语义信息量，香农说的是统计信息量。这是两个不同的度量维度：

” 帮我把这件事做好 “ 这句话，香农熵极低（高度可预测），但语义信息量极高（需要大量背景知识才能执行，或者可以被理解为无数种可能）。

二、它解决什么问题

一句话：人与 AI 在长程、复杂、目标驱动的工作中，如何可靠协作。

注意这个问题的边界：

这个问题在以下三个真实场景中都成立，且 CSF 在这三个场景中都得到了验证：

场景一：软件产品开发（CSF 的诞生地） Owner 提供业务目标和判断，AI 参谋长负责架构设计和任务规划，AI 开发者负责代码实现。三角色通过文件系统通信，跨越数百次会话持续推进。

场景二：产品立项与需求报告 一位资深 PM 用 CSF 写数据中台的立项文档。他提供业务场景和需求判断，AI 主导结构推进。他的描述是：” 跟一个有思考能力的专业人合作，甚至一定程度上交给了 AI 来主导。”

场景三：商务标书写作 一位不懂技术的销售，将招标书和自身材料放入目录，让 AI 依照要求起草。超出他预期的是：AI 会主动提供他不知道的标书技巧，会自觉做一致性检查。他的评价是 “ 比带一个新手轻松多了 “。

三个场景的共同结构：

人提供：目的 + 业务知识（只有人有）
AI提供：结构化推进 + 专业知识 + 一致性保障
CSF提供：让两者可靠对接的协作规范

[!NOTE] CSF 到底是什么？怎么用？ CSF 其实就是几个 Markdown 文件，里面全是用大白话写的规范。 它的用法极其简单：把这几个文件放进你的工作文件夹，打开 AI 对话框，发一句：” 阅读 context”。 接下来，CSF 中扮演 “ 参谋长 “ 的 AI 角色就会接管推进，主动向你提问，在讨论中带你一步步把活干完。 整个过程中，你唯一要做的，就是像在微信或钉钉上跟同事聊天一样，描述你的目的、想法，并对 AI 的建议做选择或补充。你不需要懂代码，也不用学什么复杂的提示词和配置。

三、它的四条核心主张

理解 CSF，工程上需要先接受四条主张。其余所有机制都从这里推导。

主张一：目的是语义系统的控制单元

CSF 的第一性公理是：自然语言表达所承载的信息量，远大于符号系统。

从这条公理推导出：控制 AI 行为最有效的手段不是规则穷举、不是角色设定、不是格式约束——而是目的。

目的是一句话，没有隐含假设，让 AI 的语义系统自动收敛到正确的能力子集。规则越多越脆，目的越清晰越强。

实践含义：CSF 的所有工作单元都以目的为入口，目的确定后，方法和资源随之确定。

主张二：人机分工基于能力边界，而非任务分配

由主张一可推论：合作关系的性质随之改变。

人不再是发指令的一方，AI 不再是执行指令的一方。驱动方式从 “ 你去做 X” 变成 “ 目的是 Y”——这个转变不只是措辞的变化，它重新定义了双方在协作中的角色：

人持有：目的解读权 + 业务判断权 + 最终决策权
AI持有：方法建议权 + 知识调用权 + 结构推进权

这条分工线不是礼貌约定，是效率原则：越界的一方，恰好是在用自己最弱的能力替换对方最强的能力。

人越界去设计方法，是在用经验直觉替换 AI 的知识广度。AI 越界去解读目的，是在用概率推断替换人的业务判断。两种越界都会让协作质量下降。

由此也带来对 “ 错误 “ 的重新定义：不再期望 AI 不犯错。活性是智能的来源，也是不确定性的来源。容错不是降低标准，是接受智能的本质代价。

主张三：在 LLM 约束之内设计，不对抗约束

LLM 有两个物理约束：无跨会话记忆、上下文窗口有限。

主流方案的思路是 “ 克服 “ 这两个约束：外挂记忆系统、扩大上下文窗口、用 RAG 检索补充信息。

CSF 的思路是接受约束，在约束内设计：

实践含义：CSF 不依赖任何外部技术栈（无需 RAG、无需 Agent 框架、无需记忆系统），技术复杂度随设计成熟而降低，不随问题增长而叠加。

主张四：工程层能力增长独立于模型层

主流假设：更好的结果需要更好的模型（fine-tuning / RLHF / 更大参数）。

CSF 认为因为语义稀释不可避免，不能把能力积累建立在语义质量上，故此能力必须沉淀在工程层而非模型层。 因此，CSF 在实践上主张一条独立路径：不依赖模型能力增长，通过积累和组织经验，获得系统的工程能力持续提升。

四、它在现有知识地图上的位置

CSF 横跨三个现有领域，但不完全属于任何一个。

与 AI 工程的关系

当前 AI 工程领域已有大量成熟方案：AI 辅助编程工具（Cursor、Copilot）解决代码生成质量；RAG 解决知识检索与注入；Agent 框架（LangChain、AutoGen、CrewAI）解决任务自动化执行；Prompt Engineering 解决单次对话输出。

这些方案解决的是同一类问题：如何让 AI 输出更好的结果。

CSF 解决的是另一个问题：人与 AI 如何在长程复杂工作中可靠地协作。

这不是同一个维度。前者假设人是使用者，AI 是工具；CSF 假设人与 AI 是协作者，需要协作结构。

实践上的推论是：CSF 与上述方案不互斥。你可以在 Cursor 里用 CSF，可以在有 RAG 的系统里用 CSF。CSF 是协作层的规范，不是工具层的替代。

与软件工程方法论的关系

CSF 借鉴了 DDD（领域驱动设计）的语义边界思想、经典软件工程的规范化思路，但做了一个根本性的修改：

传统方法论假设执行者有持续记忆。CSF 必须解决执行者（AI）每次从零启动的问题。

CSF 的一个重要主张是：敏捷方法的很多妥协，是在没有 AI 的条件下对人力成本的让步。 当 AI 可以承担文档维护、规范执行、一致性检查时，经典软件工程的严谨性重新变得经济可行。

与知识管理的关系

CSF 的文件体系设计（三层索引、触发加载、基线 -log 分离）与知识管理有相似之处，但目的不同：

知识管理服务于人的检索和思考。CSF 的外部大脑服务于 AI 的激活和定位——让一个无记忆的 AI，在每次启动时都能立即进入正确的工作状态。

这是延伸认知（Extended Cognition）哲学概念在 AI 工程中的具体实例化。正如一个阿尔茨海默症患者，用随身携带的笔记本记录日程和决策。

它填补的空白

AI 工程行业：    解决单次对话质量、模型能力、技术栈搭建
软件工程行业：   解决流程规范、团队协作、交付质量
知识管理行业：   解决信息组织、检索、个人生产力

CSF 填补的空白：

人机混合团队如何在长程复杂工作中可靠协作

一句话

CSF 是人机混合团队的协作操作系统。诞生于软件工程实践，理论根基触及认知科学，核心价值在于让 AI 从工具变成可靠的协作者。

This site is open source. Improve this page.