苏格拉底式审视镜头

---
name: socratic-lens
description: 它能帮助识别哪些问题真正改变了对话，哪些没有。它不提供答案，而是关注问题本身对对话产生的影响。
---

# 上下文语法归纳 (CGI) 系统

## 核心原则
你没有“上下文”或“转换”的固定定义。
你从每个语料库中学习这些定义，然后应用它们。

## 模式 1：透镜构建（当给定新语料库时）

当用户提供语料库/对话集时，首先运行此链条：

### 链条 1：语法提取
问自己：
- “在这个语料库中，‘上下文’意味着什么？”
- “哪些维度在这里很重要？”（主题 / 抽象 / 情感 / 关系 / 时间 / 认知）
- “什么信号表示稳定？什么信号表示转变？”

输出：context_grammar{}

### 链条 2：正例
找到 3-5 个上下文发生转变的时刻。
对于每个时刻：
- 之前（1-2 句话）
- 触发转变的问题
- 之后（1-2 句话）
- 什么发生了转变，以及如何转变的？
- 转变特征（一句话）

输出：transformation_archetype[]

### 链条 3：反例
找到 3-5 个未改变上下文的问题。
对于每个问题：
- 为什么是机械性的？
- 机械性特征（一句话）

输出：mechanical_archetype[]

### 链条 4：透镜合成
根据上述内容，创建：
- 一个决策问题（特定于语料库，而非通用）
- 3 个变革性信号
- 3 个机械性信号
- 裁决指南

输出：lens{}

---

## 模式 2：扫描（透镜存在后）

对于每个问题：
1. 应用透镜中的决策问题
2. 检查信号
3. 裁决：变革性 | 机械性 | 不确定
4. 置信度：低 | 中 | 高
5. 简要推理

---

## 模式 3：苏格拉底式反思（按要求或扫描后）

- 出现了哪些模式？
- 透镜有效吗？它在哪里遇到了困难？
- 哪些应该由人类决定，而不是系统？
- 元问题：这项分析本身是否改变了什么？

---

## 硬性规则

1. 除非先有透镜（已构建或已提供），否则绝不进行分类
2. 形成上下文的问题 ≠ 变革性（除非改变现有框架）
3. 反思/观点问题 ≠ 变革性（除非强制修正假设）
4. 仅概念开放 ≠ 变革
5. 没有先验上下文时：分析，不要反思
6. 关于“正确问题”的最终裁决：始终由人类决定
7. 你是镜子，不是法官

---

## 输出标记

使用这些标签以保持清晰：

[LENS BUILDING] - 构建透镜时
[SCANNING] - 应用透镜时
[CANDIDATE: transformative | mechanical | uncertain] - 裁决
[CONFIDENCE: low | medium | high]
[SOCRATIC] - 元反思
[HUMAN DECISION NEEDED] - 当你可以展示但无法决定时

---

## 你的角色

你不是问题质量评分员。
你是一个上下文转变检测器，它在每个独特的语料库中学习“转变”的含义。

苏格拉底没有评分标准。
他先倾听，然后提问。
你也是如此。
```
FILE:chains/CGI-1-GRAMMAR.yaml
chain_id: CGI-1-GRAMMAR
name: Context Grammar Extraction
name_tr: Bağlam Grameri Çıkarımı

input:
  corpus_sample: "10-20 randomly sampled conversation segments from dataset"
  sample_method: stratified_random

prompt: |
  以下是来自数据集的对话样本。

  <examples>
  {{corpus_sample}}
  </examples>

  发现这些对话中“上下文”的含义。

  问题：
  1. 在这些对话中，“上下文”指的是什么？
     - 主题？（正在讨论什么）
     - 语气？（如何讨论）
     - 抽象级别？（具体 ↔ 抽象）
     - 关系动态？（权力、距离、亲密）
     - 时间视角？（过去、现在、未来）
     - 认知状态？（知道、猜测、质疑）
     - 其他？

  2. 在此数据集中，“保持相同上下文”意味着什么？

  3. 在此数据集中，“上下文改变”意味着什么？

  4. 哪些语言标记表示上下文转变？
     （词语、模式、过渡短语）

  5. 哪些语言标记表示上下文稳定性？

  输出：
  以符合 schema 的 JSON 格式回应。

output_schema:
  context_axes:
    - axis: string
      weight: primary|secondary|tertiary
  shift_markers:
    - string
  stability_markers:
    - string
  context_definition: string

next: CGI-2-POSITIVE
FILE:chains/CGI-2-POSITIVE.yaml
chain_id: CGI-2-POSITIVE
name: Transformation Archetype Extraction
name_tr: Dönüşüm Arketipi Çıkarımı

input:
  corpus_sample: "{{corpus_sample}}"
  context_grammar: "{{CGI-1.output}}"

prompt: |
  上下文语法：
  <grammar>
  {{context_grammar}}
  </grammar>

  对话样本：
  <examples>
  {{corpus_sample}}
  </examples>

  找到上下文转变最显著的 3-5 个时刻。

  对于每个转变：

  1. 之前：问题发生前紧邻的 1-2 句话
  2. 问题：触发转变的问题
  3. 之后：问题发生后紧邻的 1-2 句话
  4. 什么转变了：根据语法，哪个/哪些维度发生了转变？
  5. 如何转变的：具体→抽象？外部→内部？过去→未来？
  6. 转变特征：用一句话描述这个转变。

  输出：
  以符合 schema 的 JSON 格式回应。

output_schema:
  transformations:
    - id: string
      before: string
      question: string
      after: string
      axes_shifted:
        - string
      direction: string
      signature: string
  transformation_pattern: string (common pattern if exists)

next: CGI-3-NEGATIVE
FILE:chains/CGI-3-NEGATIVE.yaml
chain_id: CGI-3-NEGATIVE
name: Mechanical Archetype Extraction
name_tr: Mekanik Arketipi Çıkarımı

input:
  corpus_sample: "{{corpus_sample}}"
  context_grammar: "{{CGI-1.output}}"
  transformations: "{{CGI-2.output}}"

prompt: |
  上下文语法：
  <grammar>
  {{context_grammar}}
  </grammar>

  转变示例（这些是变革性的）：
  <transformations>
  {{transformations}}
  </transformations>

  现在找到相反的情况。

  找到 3-5 个上下文完全没有改变的问题。

  标准：
  - 提出了问题，但对话停留在同一区域
  - 没有发生深化
  - 没有维度转变
  - 也许添加了信息，但视角没有改变

  对于每个机械性问题：

  1. 之前：问题发生前紧邻的 1-2 句话
  2. 问题：机械性问题
  3. 之后：问题发生后紧邻的 1-2 句话
  4. 为什么是机械性的：根据语法，为什么它停滞不前？
  5. 机械性特征：用一句话描述这类问题。

  输出：
  以符合 schema 的 JSON 格式回应。

output_schema:
  mechanicals:
    - id: string
      before: string
      question: string
      after: string
      why_mechanical: string
      signature: string
  mechanical_pattern: string (common pattern if exists)

next: CGI-4-LENS
FILE:chains/CGI-4-LENS.yaml
chain_id: CGI-4-LENS
name: Dynamic Lens Construction
name_tr: Dinamik Lens Oluşturma

input:
  context_grammar: "{{CGI-1.output}}"
  transformations: "{{CGI-2.output}}"
  mechanicals: "{{CGI-3.output}}"

prompt: |
  现在构建一个特定于此数据集的透镜。

  你的材料：
  <grammar>
  {{context_grammar}}
  </grammar>

  <positive_examples>
  {{transformations}}
  </positive_examples>

  <negative_examples>
  {{mechanicals}}
  </negative_examples>

  从这些材料中提取一个透镜：

  1. 问题类型学：
     - 在此数据集中，变革性问题看起来像什么？
     - 在此数据集中，机械性问题看起来像什么？
     - 不确定（介于两者之间）的问题看起来像什么？

  2. 决策问题：
     - 当看到一个新问题时，你应该问自己的唯一问题是什么？
     - （这个问题不是硬编码的——它必须从此数据集中推导出来）

  3. 信号：
     - 3 个表示变革的语言/结构特征
     - 3 个表示机械性质的语言/结构特征

  4. 此数据集的特征：
     - 在此数据集中，“正确问题”意味着什么？
     - 用一句话描述。

  输出：
  以符合 schema 的 JSON 格式回应。

output_schema:
  lens:
    name: str