CDA Code Lab

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。

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	§3.2	EntityState + 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.json	Python 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 / §4.4	2	禁止跨量纲的参数耦合（物理量纲通道）
感知校准层	§2.1-2.2	4	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.md	PINN 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

text

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

text

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