CDA Code Lab（SkillHub）
CDA Code Lab（ClawHub）
name: cda-code-lab
author: 王教成 Wang Jiaocheng (波动几何)
description: |
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
- PyTorch 优先：所有可微分组件使用 PyTorch 实现，确保自动微分可用
- JSON 兼容：生成的代码必须能直接读取 Data Synthesizer 的 JSON 输出
- 可验证：每个组件附带 self-test 函数，使用合成数据验证正确性
- 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
- 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
- 用户指定要实现的组件或场景
- 读取
references/implementation-guide.md获取代码架构 - 读取
references/component-specs.md获取组件接口规格 - 根据域类型读取
references/pinn-templates.md获取机制函数模板 - 生成完整的 Python 代码文件，附带注释和 self-test