本象协议 Benxiang · Origin IR

给 AI 用的持久对象表示层。 AI 不再直接写出终态，只提交语义事务；确定性编译器校验通过才落地，校验不过一个字节都不写。落地之后，包里每一个字段都能回答「凭什么是这个值」。

mem0 和 Letta 帮 Agent 记住「是什么」；
本象让持久状态还能回答「为什么信」，并在每次写入落地前确定性校验。

凭什么信：CI 绿（test + conformance + mutation）· 87 条语言无关一致性向量钉死语义（JS 参考实现全绿；Python 第二实现 60/79、19 项未实现，如实计入下文） · 19 条协议变异全部被抓出（2026-08-26 实测；其中 2 条属协议覆盖缺口，公开列在这里）· 四个已跑通的方言（CAD / 法律 / xlsx / 项目记忆）· 零 npm 依赖。全部数字以 npm run verify 实跑为准；诚实边界与两次自我撤回见下方诚实状态。

🎬 90 秒演示：建包 → AI 提交事务（校验不过一个字节都不写，连自己管不了的约束都当面告诉你）→ why 追出证据链 → 并发插队当场拒绝。全部为真实终端输出。

60 秒试起来

# 方式一：直接装 CLI（零依赖，已发布到 npm）
npm i -g benxiang-origin              # 之后所有 `node compiler/cli.mjs` 都可换成 `benxiang`

# 方式二：从源码跑（带示例包与全套判据）
git clone https://github.com/dongsheng123132/2origin && cd 2origin   # 零依赖，不需要 npm install
npm run verify                        # 全套判据一次跑完（含一致性 87/87、变异 19/19）

P=spec/examples/sales-2026.origin
node compiler/cli.mjs status $P       # 这个包里有什么
node compiler/cli.mjs why    $P revenue-trend.chart   # 这个值凭什么是这个值
node compiler/cli.mjs limits $P       # 这个包保证不了什么（接手陌生包先问它）

# 接进 Claude Code：项目状态从此存在包里，不靠聊天记录
node adapters/memory/init.mjs ./my-project.origin my-project "我的项目"
claude mcp add -s local benxiang -- node "$PWD/adapters/memory/mcp-server.mjs" "$PWD/my-project.origin"

和 mem0 / Letta / 向量 RAG 有什么不同

mem0 / Letta 聚焦 Agent memory（记住「是什么」）；本象聚焦跨领域对象状态的事务校验与协议级 provenance——每个值可追到依据、每次写入先过确定性校验。两者互补而非替代。两个结构性缺陷，本象直接打：

实验给出的分界线：能从近文恢复的状态，检索和裸模型都够用；需要跨全书累积、且从不在任何一段文字里被陈述的状态，只有状态机答得出来。

一分钟原理

本象不是「一个更大的 JSON」，它同时保存七种东西：

对象 objects      关系 relations     数据 payloads
状态 states       约束 constraints   来源 provenance
边界 limits —— 这份表示保证不了什么：哪里退化了、哪些没覆盖、哪类查不到、哪些没验过

第七个要素是被发现的，不是被设计的：四个方言落地过程中，同一个动作被独立要求了九次——那就不是九个决定，是一条原则（详见 08-第七要素-边界）。AI 不读 README，它读包：边界不进包，下游就会把一个已知有损的东西当本体继续用——那正是本项目开篇要解决的「投影的投影」。

Word / CAD / Excel / 视频 / 网页 / 对话历史
        ↓ 导入
   本象 IR（Origin IR）：对象 + 语义 + 关系 + 状态 + 约束 + 来源 + 边界
        ↓ Context Compiler（输入侧编译）
   视觉地图 + 对象图 + 精确片段 + 可用动作 → AI
        ↓ AI 输出语义事务
   Commit Compiler（输出侧编译）：校验约束 → 更新状态 → 留存证据 → 重新投影
        ↓
   PDF / 图片 / 文字 / 三维 / 界面 …（多影输出）

🕳影域负责隔离，本象负责保存，🕳叠象负责看见与比较，↗影核负责行动，🕳确认台负责人类确认。（🕳 ＝ candidate：零实现、零判据；↗ ＝ 实现在 ShadowOS。逐项状态见 概念体系。）

唯一的写入口是 commit：校验不过则一个字节都不写，违规理由原样返回供重写；通过则只往 provenance/history.jsonl 追加，绝不覆写 graph/objects.jsonl——当前状态由二者重放得出，所以任何一个字段都能回答「凭什么」。加 --json 即可当本地 API 给 AI 调用。

四个方言 · 各一条命令

# 图纸一致性：自动抓出图元留在 0 层 / 编号 C2 重复 / 画了 4 樘窗只标 3 个编号
node adapters/cad/import.mjs adapters/cad/fixtures/A-101.dxf /tmp/A-101.origin
node compiler/cli.mjs diagnose /tmp/A-101.origin

# 判决依据链：抓出部门规章被列为裁判依据 / 引已失效司法解释 / 引查无此文的文件 / 自首减 55% 超法定 40% 上限 / 说理段金额与认定事实对不上
node adapters/law/import.mjs adapters/law/fixtures/B-缺陷.txt /tmp/B.origin
node compiler/cli.mjs diagnose /tmp/B.origin

# 表格依赖链：抓出公式列混入硬编码 / 同列公式形状不一致 / 求和漏行 / 错误值残留 / 引用不存在的表 / 文本型数字
node adapters/xlsx/import.mjs adapters/xlsx/fixtures/B-缺陷.xlsx /tmp/B.origin
node adapters/xlsx/trace.mjs /tmp/B.origin 预算!D7   # 这个数凭什么是这个数：顺依赖链追到人工录入源头（Excel 答不了）

# 项目状态（MCP Server，零依赖）：接法见上方 60 秒试起来的最后两行

诚实边界，一条不删：法律与 CAD/xlsx 的缺陷夹具全是我们自己造的——自己出的卷子考满分不算能力证据，这些数字只保证「改代码不会让它变差」。已知量化：法律方言种入 12 个缺陷抓到 10 个，2 个已知抓不到并写进缺陷目录，合规卷假阳性为 0；xlsx 在真实文件上跑过 16 份、86,590 格假阳性为 0，但其中公式列为 0——三条公式类规则在真实数据上一次都没生效过。完整命令与细节见各 adapters/ 目录下 README。

四个方言合计只给核心加了 4 行（why 输出补一列 basis）；其中 xlsx 方言一行核心都没改（落地时 git diff --stat compiler/ spec/ 为空）——领域知识进的是数据（约束表、条文库），不是代码。这是「通用外壳 + 领域方言」在实现上的验收标准。

凭什么叫「协议」，而不是「一个库」

一份实现自己跑通自己的测试，证明不了协议存在。分界线在一致性测试集：87 条测试向量是数据不是代码，不依赖任何宿主语言——任何实现只要写一个几十行的适配器（stdin 收 case、stdout 出结果），就能当场自证合规：

npm run test:conformance    # JavaScript 参考实现：87/87
node spec/conformance/run.mjs --level core \
  --adapter "python spec/conformance/implementations/python/adapter.py"

实跑现状（2026-08-26）：JavaScript 参考实现 core 79/79、full 8/8 全绿；Python 第二实现约 250 行、零依赖，core 通过 60/79，另 19 项适配器声明未实现——未实现不等于通过，不得据此声称合规（工具自己会这么报），补齐前 Python 侧不算合规实现。诚实边界：两份实现出自同一作者，向量证明的是「语言中立的契约」，不证明「任何人只读规范就能写对」。

compiler/mutation-check.mjs 是验证里最关键的一环：故意打坏每一条协议承诺，同时跑自测与一致性向量，看谁抓得到。当前 19 条变异全部被抓出（2026-08-26 测定），其中 2 条只有自测抓到——那是协议的覆盖缺口，公开列在 conformance/README §五，未掩盖。协议只保证向量钉住的部分。

⚠️ 还欠的账也说清楚：「变异 2 条覆盖缺口」只是 mutation 这一把尺子量的——加上核心投影层 compiler/project.mjs 尚无任何一致性向量覆盖，协议当前已知覆盖缺口共 3 条，全列在 conformance/README §五。补上之前，「本象协议保证投影会披露自己丢了什么」这句话不成立——另写一份实现可以合法地发出一份不声明任何丢弃项的投影。

诚实状态：我们两次推翻了自己

这个项目的差异化资产之一是撤回记录：两次用自家实验推翻自己的归因，全程公开、墓碑不删。

最终口径（A2 消融，2026-08-13，论文 v0.4 §5.3）：

唯一幸存的分类性主张：提示词结构上产不出证据链。A3 对 15.0% / 27.5% 的受测字段给出可溯源证据，所有提示词基线均为 0%。⇒ 必须回答「你为什么信」的系统才需要这套机器；只回答「你信什么」的不需要。

不主张：更省 Token（差异不显著）、写得更一致（判分器词表补完后 W1 优势消失）。三臂对照其后已在修补后的判分器与探询下全量重跑（两模型 × 三臂 × 各 10 轮，见论文 §7 可复现性），当前对照数字一律以论文 §5 为准，本 README 不转述。样本量：A2 消融为两模型、各 n=10；更早的三臂对照（Run #27）为 qwen 单模型、各 n=6。

两次撤回的完整过程未删除、可复核：第一次仪器事故（探询调用不带历史、模板泄题）见 results-log Run #18；第二次归因推翻（94% 优势来自「要求」本身）见 Run #27。全部原始数据与八次自曝的仪器事故都在 results-log.md。

文档导航

仓库结构

本象协议/
├── docs/        # 创始文档集
├── spec/        # JSON Schema + 示例 .origin 包 + 一致性测试集（87 条语言无关向量）
├── compiler/    # 双向编译器 + 证据链 + 落盘 + origin CLI
├── adapters/    # 领域方言：memory(MCP Server) / cad(DXF导入+制图校验) / law(判决依据链) / xlsx(依赖链体检)
├── benchmark/   # ShadowBench-W 基准 + 判分器 + 全部原始结果（含自 README 迁入的实验史）
├── research/    # 外部格局调研快照（2026-08 三线调研与评估）
├── outreach/    # 生态互动草稿（均未发送）
└── reference/   # 原始构思文档存档

路线与参与

三条候选 MVP（待定，先跑 ShadowBench 小实验用数据说话）：① 本象记忆 MCP Server——聊天历史持续提交为项目世界状态，解决上下文爆炸；② 100 页 PPT 低 Token 审阅——视觉总览+对象编号+按需加载；③ OriginWriter——百万字小说不失忆。

📜 本象宣言 —— 为什么要做这件事、今天证明了什么、往哪里去
🔬 参与 / 复现 —— 最欢迎的贡献不是加功能，是把我们的结论推翻
🌍 English · Manifesto

English Summary

Benxiang (本象, "origin-image"; Ben = origin, Xiang = the archetypal image, after the I Ching's "the sages established images to exhaust the meaning") is a persistent, AI-native object representation layer. Its technical core is the Origin IR spec. (Earlier drafts used the name "Origin Protocol"; renamed to avoid collision with the OGN crypto project.) Instead of feeding AI flattened projections (screenshots, OCR text, lossy summaries), it preserves the origin of a digital artifact — objects, relations, payloads, states, constraints and provenance — then compiles task-specific projections for the model on demand ("one origin, many shadows"). The AI writes back not full documents but compact semantic transactions, which a deterministic compiler validates, applies and re-projects, with evidence retained at every step. Think of it as an LLVM-style IR for AI work: renderers become projection backends, actions become a portable instruction set, and chat context becomes a disposable cache over a durable world state.

Status: v0.1 — draft spec plus a runnable reference implementation (compiler/; run npm run test for the live count) and two tiers of controlled experimental data with raw results committed.

Measured result (A2 ablation): one sentence of prompt (A0 → A2) accounts for +41.3 points of state accuracy, with a significant permutation result. Adding the full machinery (A2 → A3) adds only +2.5 points, not significant (p = 0.47 / 0.72). Token differences are also not significant, so we claim neither savings nor added cost. The only surviving categorical claim is structural: A2 cannot produce evidence chains, while A3 provides traceable evidence for 15.0% / 27.5% of tested fields and every prompt-only baseline remains at 0%. See paper v0.4 §5.3 and the results log. Earlier results remain below as tombstones; they are not erased or cited as mechanistic advantage.

Docs are primarily in Chinese with bilingual terminology.

License

许可证适用表

宣传措辞纪律：novels/ 内容应称为「公开可验证、非商用」，不得称为 open source。

Apache-2.0（见 LICENSE）。示例与测试语料按 docs/07 的约定分别采用 MIT 与 CC0——语料由世界规格构造生成，不含第三方版权文本。详见 07-开源与商业。