ClawHub

CDA Code Lab

Development

CDA 架构代码工坊——按 Causal Dynamics Architecture 规范生成可执行的 Python 仿真代码。 覆盖核心组件：CDABlock 管线、PINN 机制函数、哈密顿投影模块、辛积分器、NOTEARS 因果发现、 贝叶斯在线更新、CER 因果封装递归。 生成的代码可直接运行，依赖 PyTorch，接受 CDA Data Synthesizer 产出的 JSON 数据作为输入。 当用户需要实现 CDA 架构组件、生成仿真原型代码、构建因果推理实验时触发。 触发词：CDA代码、因果动力学实现、CDABlock、哈密顿投影、PINN机制函数、辛积分器、NOTEARS因果发现、CER实现、因果仿真代码。

Install

openclaw skills install @wangjiaocheng/cda-code-lab

CDA 架构代码工坊（Code Lab）

将 Causal Dynamics Architecture 的理论设计转化为可执行的 Python 仿真代码。

核心定位

CDA 主技能定义了架构蓝图，Data Synthesizer 生成数据，本技能负责让架构跑起来。

数据格式依赖：本技能生成的代码读取 CDA Data Synthesizer 定义的 JSON 格式（见 references/data-format-spec.md）。

可生成的组件

按 CDA 五层栈和路线图 Phase 1-2 组织：

Phase 1 组件（热力学仿真引擎）

组件CDA 章节输入输出
CDABlock§3.2EntityState + CausalEdges更新后的 EntityState
PINN 机制函数§3.3实体状态对 (s_i, s_j)状态变化量 Δs
哈密顿投影§4.1状态 (q, p)约束后状态
辛积分器§4.2状态 + 力函数下一时刻状态
贝叶斯状态更新§6.2 L1旧信念 + 观测新信念
JSON 数据加载器—*.graph.json / *.trajectory.jsonPython 对象

Phase 2 组件（多域因果耦合）

组件CDA 章节说明
机制类型注册表§3.3.1力学/热力学/流体/化学反应类型的 W 矩阵约束
因果计算路由§3.4稀疏边选择（路由分数 → Top-K → 预算）
NOTEARS 因果发现§6.1.2从时序数据中学习因果结构
在线 Laplace 学习§6.2 L2机制函数参数的在线贝叶斯更新
粗粒化 + 重正化§7信息瓶颈驱动的实体聚合

高级组件（Phase 3-4）

以下组件对应 CDA 主参考文档的深层章节（§5 do-演算、§7 多尺度、§8 CER）， 属于路线图 Phase 3（反事实推理与决策，2-4 年）和 Phase 4（通用因果世界模型，4-8 年）。 当前 SKILL.md 和 references 中的 Phase 1-2 组件已覆盖核心计算原语。 当用户请求实现以下组件时，应先加载 CDA 主技能的参考文档对应章节获取完整规格。

组件CDA 章节Phase说明
do-演算图手术§五3干预推理：切断因果边 + 传播
反事实推理§五3溯因→干预→预测三步
CER 因果封装递归§八4异构嵌套因果子系统（CDA 最原创贡献）
多尺度聚合§七3自适应分辨率切换（粗粒化 + 重正化）
量纲一致性模块§3.3.2 / §4.42禁止跨量纲的参数耦合（物理量纲通道）
感知校准层§2.1-2.24统一感知接口 + 贝叶斯校准

参考文件

文件内容
references/implementation-guide.md核心指南：代码架构设计、依赖管理、运行约定
references/component-specs.md每个组件的接口签名、输入输出规格、实现要点
references/pinn-templates.mdPINN 机制函数的 PyTorch 模板（热力学/力学/流体）
references/data-format-spec.md数据格式协议（从 Data Synthesizer 共享，本文件为副本）

代码生成原则

  1. PyTorch 优先：所有可微分组件使用 PyTorch 实现，确保自动微分可用
  2. JSON 兼容：生成的代码必须能直接读取 Data Synthesizer 的 JSON 输出
  3. 可验证：每个组件附带 self-test 函数，使用合成数据验证正确性
  4. 渐进复杂度：先生成最小可运行版本（单组件），再组合完整管线
  5. 物理硬约束：哈密顿投影、辛积分器等不可用 soft constraint 替代

典型生成流程

用户请求："实现热力学仿真引擎"
  ↓
1. 读取 implementation-guide.md → 确定项目结构和依赖
  ↓
2. 读取 component-specs.md → 确定需要哪些组件
  ↓
3. 读取 pinn-templates.md → 获取机制函数模板
  ↓
4. 生成代码文件：
   ├── data_loader.py    （JSON → EntityState/CausalEdge）
   ├── entities.py       （EntityState, CausalEdge, WorldState 类）
   ├── mechanisms.py     （PINN 机制函数）
   ├── hamiltonian.py    （哈密顿投影）
   ├── integrator.py     （辛积分器）
   ├── cdablock.py       （完整管线）
   └── run_simulation.py （主入口 + 示例）
  ↓
5. 生成 self_test.py → 验证每个组件

与 CDA 主技能的关系

CDA（主技能）
  ├── 理论参考：架构设计、公式、路线图
  ├── CDA Data Synthesizer
  │     └── 生成 JSON 格式的因果数据集
  └── CDA Code Lab（本技能）
        └── 生成代码：读取 JSON → 运行仿真 → 输出结果

使用指南

  1. 用户指定要实现的组件或场景
  2. 读取 references/implementation-guide.md 获取代码架构
  3. 读取 references/component-specs.md 获取组件接口规格
  4. 根据域类型读取 references/pinn-templates.md 获取机制函数模板
  5. 生成完整的 Python 代码文件，附带注释和 self-test
More in Development