GCORF-01

從認知痕跡到可重組算子：證據單元、軌跡抽取與逆向重建理論

From Cognitive Traces to Recomposable Operators: Evidence Units, Trace Extraction, and Reverse Reconstruction

作者／理論發起： Neo.K
協作整理： Aletheia / GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-15
版本： v0.1
系列： General Cognitive Operator Reverse-Engineering Framework (GCORF) — Canonical Core Paper 01

摘要

GCORF-00 建立了通用認知算子逆向框架的正典總綱，將人物、文本、理論、程式、證明、制度與其他認知產物區分為證據源，而非直接等同於算子。本文進一步處理 GCORF 的第一個核心計算問題：如何從異質、部分、帶有觀察者偏差的認知痕跡，逆向重建成可追溯、可比較、可重組的候選認知算子。

本文提出四層資料結構：Evidence Unit、Trace Graph、Candidate Operator 與 Atomic/Clustered Operator Representation。其核心流程為：

\boxed{ RawCorpus \rightarrow EvidenceUnits \rightarrow TraceGraph \rightarrow TraceClusters \rightarrow CandidateOperators \rightarrow Atomicization \rightarrow ValidatedOperatorSet. }

本框架拒絕將單一句名言、單一作品、傳記印象或研究者的後見之明直接轉成算子。算子的成立必須依賴跨痕跡重複性、轉換結構的一致性、證據獨立性、語境可辨識性與可反駁性。本文同時形式化「算子核」與「實現模式」的分離、相對原子性、觀察者條件重建、多觀察者分歧保存、反事實可移植性測試以及 provenance-preserving reconstruction。

本文的主要結論是：認知逆向並不是心智讀取，也不是將人物壓縮為固定向量，而是一種帶證據鏈的條件化結構壓縮。對任一重建算子 $\widehat\Omega$ ，GCORF 要求它能回到產生它的痕跡集合、能聲明其觀察者條件、能接受新證據修正，並能在與其他算子組合前先通過型別、域與失效檢查。這一機制使 RMRM、PLDST、哲學家逆向與未來其他 domain realization 可以共享同一套逆向底層，而不必各自重新發明人物分析方法。

關鍵詞： Cognitive Trace, Evidence Unit, Operator Reconstruction, Reverse Engineering, Provenance, Atomicization, Implementation Mode, Observer Conditionality, Methodological Primitive

1. 研究問題

GCORF 的基本研究目標不是回答：

\text{「某人真正怎麼想？」}

而是回答：

\boxed{ \text{「現有證據支持哪些可重放、可比較、可驗證的認知轉換結構？」} }

兩者的差異是根本性的。

第一個問題要求取得不可直接觀察的完整心智狀態；第二個問題只要求在明確證據與觀察條件下，重建一組有限的操作模型。

因此本文使用：

\widehat{\Omega}

而不使用：

\Omega^{\mathrm{true}}.

前者表示「目前可由資料支持的重建算子」，後者暗示研究者取得了某個人物或系統的真實完整內部機制。GCORF 不做後者的強主張。

2. Source、Evidence 與 Operator 的三級分離

設認知證據源為：

S\in\mathcal S.

$S$ 可以是：

人物；
論文；
證明；
程式碼；
commit history；
設計討論；
訪談；
書籍；
制度文本；
決策紀錄；
作品版本鏈；
AI／人類互動歷史。

但：

\boxed{S\neq E\neq\Omega.}

來源 $S$ 經過可追溯抽取後形成證據 $E$ ；多個證據再經結構重建後才可能形成候選算子 $\widehat\Omega$ 。

S \xrightarrow{Extract} E \xrightarrow{Cluster/Reconstruct} \widehat\Omega.

因此單一來源的權威性不能直接替代算子證據。

3. Evidence Unit：最小證據單元

定義 GCORF 最小可審計證據單元：

\boxed{ e= ( id, src, a, t, c, p, r, m, q, v, y, o, g ). }

其中：

$id$ ：唯一識別；
$src$ ：來源定位與 provenance；
$a$ ：actor；
$t$ ：時間或版本；
$c$ ：context；
$p$ ：當時問題或任務；
$r$ ：使用中的 representation；
$m$ ：可觀察 move / transformation；
$q$ ：rationale 的可觀察或推論狀態；
$v$ ：verification / test；
$y$ ：outcome；
$o$ ：observability class；
$g$ ：evidence grade。

Evidence Unit 不要求每個欄位都已知。未知必須被顯式表示：

Unknown\neq NullAssumption.

即資料缺失不能被自動補成「合理猜測」。

4. 可觀察性分級

GCORF v0.1 將可觀察性暫分為：

\mathcal O_E= \{ Direct, BehavioralInference, LatentHypothesis, Unknown \}.

4.1 Direct

來源直接顯示研究操作。

例如：

proof revision 明確替換一個 lemma；
commit 顯示 refactor；
作者明確寫出改用另一 representation；
decision record 明確列出 alternatives 與選擇理由。

4.2 BehavioralInference

多個可觀察行為支持同一操作模式，但內部意圖不是直接記錄。

4.3 LatentHypothesis

研究者推測存在某個內部認知過程，例如「前符號直覺」「美感導向」「特定心理驅力」。

此類可以保留，但不得自動進入正式 executable operator library。

4.4 Unknown

公開證據不足。

GCORF 將 Unknown 視為合法資料狀態，而不是需要被敘事補滿的缺陷。

5. Evidence Grade 與 Observability 不同

本文保留實驗中已使用的證據標記：

\mathcal G_E= \{OBS,INF,HYP,UNK\}.

但必須區分：

Observability(e) \neq EvidenceStrength(e).

例如一個行為可以直接被觀察，但只出現一次，因此跨情境泛化證據仍很弱。

相反，一個無法直接觀察的內部機制，可以被多個互不依賴的行為痕跡支持，但它仍然只是推論。

因此每個 Evidence Unit 至少應保存：

(o,g).

6. Evidence Independence：證據獨立性

大量引用不等於大量獨立證據。

若：

e_1,e_2,e_3

全部最終來自同一個原始訪談，那麼：

N_{citations}=3

不代表：

N_{independent}=3.

定義來源依賴圖：

\mathcal G_E^{dep}=(V_E,R_E).

如果 $e_i$ 可追溯到 $e_j$ 的共同上游來源，則兩者存在依賴邊。

GCORF 的證據聚合應使用有效獨立支持量：

N_{eff}(E) \leq |E|.

具體估計方法留待 GCORF-03 的量化論文處理，但 GCORF-01 先確立「來源依賴必須被記錄」的結構要求。

7. 從 Evidence Unit 到 Trace

單一 Evidence Unit 通常不足以形成 operator。

GCORF 將 Trace 定義為一組具有可辨識連續關係的證據單元：

\boxed{ \tau=(E_\tau,R_\tau) }

其中：

$E_\tau\subseteq E$ ；
$R_\tau$ 表示時間、因果、版本、問題依賴或結構依賴。

最簡單情況是一條序列：

e_1\to e_2\to\cdots\to e_k.

但真實研究通常不是線性序列，而是 DAG、帶回路圖或分支版本樹。

因此一般形式為：

\boxed{ \mathcal T=(V_T,E_T,\lambda_T) }

其中 $\lambda_T$ 標記邊類型。

8. Trace Edge Types

v0.1 至少定義：

\lambda_T\in \{ Temporal, Causal, Dependency, Revision, RepresentationShift, Validation, Failure, Reactivation, Branch \}.

這個設計非常重要，因為：

A\text{ 之後發生 }B

不等於：

A\text{ 導致 }B.

Chronology 不得自動升級為 causality。

9. Trace Cluster

不同問題中可能出現相似的轉換模式。

定義 Trace Cluster：

\boxed{ \mathcal C_\tau= \{\tau_1,\ldots,\tau_n\} }

使其共享某個候選轉換骨架：

K(\tau_i)\approx K(\tau_j).

例如：

Problem \to RepresentationShift \to ObstructionLocalization \to SpecializedAttack

若在多個獨立問題中反覆出現，才有理由建立候選 operator。

10. Candidate Operator Reconstruction

候選算子不是對 trace 的全文摘要，而是對其最小可重用轉換結構的壓縮。

定義：

\boxed{ \widetilde\Omega = Compress_K( \mathcal C_\tau \mid \mathcal B,O ). }

其中：

$\mathcal B$ ：當前重建底空間；
$O$ ：觀察者條件；
$Compress_K$ ：保留轉換 kernel 的壓縮。

理想候選 operator 應該保留：

InputPattern, Transformation, OutputPattern, Trigger, Constraints, FailureModes.

而不是保留人物敘事細節。

11. 最小充分結構原則

若一個候選算子需要完整人物傳記才能使用，它通常不是成熟 operator。

GCORF 引入：

\boxed{ MinimalSufficientOperatorDescription. }

若 $D_1$ 與 $D_2$ 都能重放相同核心轉換，且：

|D_1|<|D_2|,

而 $D_1$ 不降低必要的可驗證性、適用域或 failure information，則優先 $D_1$ 。

這不是追求文字最短，而是追求：

\boxed{ \text{minimum structure required for reliable replay}. }

12. Kernel 與 Implementation Mode 分離

這是 GCORF 跨人物比較的必要條件。

同一 general operator：

\Omega_K

可以具有多種實現：

\mu_1, \mu_2, \ldots, \mu_n.

因此完整作用寫成：

\boxed{ \Omega_K^{[\mu]}(x). }

例如兩個研究者都執行「Local-to-Global Bridge」，但一人透過 harmonic analysis，另一人透過 categorical reformulation。若核心 transformation 相同，就不應為每個人物新增新的 atomic operator。

否則會出現：

N_{people}\uparrow \Rightarrow N_{operators}\uparrow\uparrow,

形成 operator explosion。

13. Operator Equivalence

定義當前 GCORF grammar 下的弱等價：

\Omega_i\sim_G\Omega_j

若存在語境／表示轉換 $\phi,\psi$ ，使：

\psi\circ\Omega_i \approx \Omega_j\circ\phi

並且保留指定 kernel invariants。

若只是 implementation mode 不同，應優先表示為：

\Omega^{[\mu_i]}, \Omega^{[\mu_j]}

而不是兩個全新 atomic operators。

14. 相對原子性

GCORF 不主張存在哲學上絕對不可再分的最終認知原子。

定義：

\boxed{ Atomic_G(\Omega) }

表示：在當前 operator grammar $G$ 下，若再拆分 $\Omega$ ，則至少會失去一個獨立可調用的輸入輸出轉換、觸發條件或 failure semantics。

因此 atomicity 是版本相對的：

Atomic_{G_t}(\Omega)

不推出：

Atomic_{G_{t+1}}(\Omega).

新 specimen 可以顯示舊 atomic operator 其實是 cluster。

15. Atomicization Protocol

對候選算子 $\widetilde\Omega$ ：

尋找內部可獨立觸發的 sub-transformations；
測試各 sub-transformation 是否具有獨立輸入／輸出與失效條件；
檢查是否只是同一 kernel 的 implementation variation；
與現有 operator library 做弱等價檢查；
若可拆，建立 cluster；
若不可拆且具有獨立 replay value，暫時標為 atomic candidate。

形式化：

\operatorname{Atomicize}( \widetilde\Omega,G_t ) \to \{ Atomic, Cluster, ImplementationMode, Redundant, Unresolved \}.

16. 反事實可移植性測試

一個只在原人物原問題中成立的描述，可能只是歷史摘要。

因此 GCORF 要求候選 operator 接受 counterfactual transfer test。

令原始問題域為 $D_0$ ，測試問題為 $x'$ ：

x'\notin Corpus_{original}.

若：

\widetilde\Omega(x')

仍能產生符合其 kernel 定義、且可由獨立方法評估的結果，則其 method portability 得到支持。

但：

TransferSuccess \neq UniversalValidity.

跨域成功只增加 transferability evidence，不會取消原適用域邊界。

17. Trace Non-Identifiability

同一組痕跡可能支持多個候選算子模型。

即：

\boxed{ \mathcal T \not\Rightarrow !\Omega. }

存在：

\Omega_1\neq\Omega_2

但二者對當前 trace 具有相近解釋力。

因此 GCORF 不允許：

BestCurrentModel \Rightarrow TrueInternalMechanism.

系統必須保存 competing reconstructions。

18. Observer-Conditional Reconstruction

完整重建函數寫成：

\boxed{ R_O: (D,\mathcal B,G) \mapsto \widehat{\mathfrak O}^{O}. }

觀察者 $O$ 至少包含：

O=(H,A,\Pi,M,T,\mathscr H).

其中：

$H$ ：human/controller；
$A$ ：AI/model；
$\Pi$ ：interaction protocol；
$M$ ：memory/context condition；
$T$ ：tools；
$\mathscr H$ ：prior research history。

因此同一 corpus：

D

可以得到：

\widehat{\mathfrak O}^{O_1} \neq \widehat{\mathfrak O}^{O_2}.

GCORF 不將此差異自動消除。

19. 多觀察者比較

令觀察者集合：

\mathcal V_O=\{O_1,\ldots,O_n\}.

每個觀察者獨立輸出：

\widehat{\mathfrak O}^{O_i}.

比較後建立：

\boxed{ \Delta_O= Consensus \oplus Disagreement \oplus UniqueFindings. }

其中共識不是簡單多數投票。

後續 GCORF-08 將正式處理 observer diversity weighting；GCORF-01 只規定：

每個合併結論必須保留它由哪些觀察者支持、哪些觀察者反對、是否存在觀察者同質性問題。

20. Operator Reconstruction Confidence

本文不制定最終數值公式，但先定義信心來源至少應分離為：

\mathbf C(\widetilde\Omega) = ( C_E, C_R, C_I, C_T, C_O ).

其中：

$C_E$ ：evidence support；
$C_R$ ：trace recurrence；
$C_I$ ：independence；
$C_T$ ：transfer stability；
$C_O$ ：cross-observer stability。

不能將其壓成：

\text{「我覺得很像」}=0.9.

正式光譜化留待 GCORF-03。

21. 新證據不保證信心單調上升

傳統資料累積常隱含：

E_{t+1}\supset E_t \Rightarrow Confidence_{t+1}\geq Confidence_t.

GCORF 拒絕此假設。

新證據可能形成反例，使：

\boxed{ Confidence_{t+1}(\Omega) < Confidence_t(\Omega). }

甚至：

Atomic \to Cluster,

Operator \to ImplementationMode,

Admitted \to Provisional.

這是動態修正而不是框架失敗。

22. Negative Evidence 與 Failure Evidence

GCORF 不只保存支持算子的資料。

對任何候選：

\widetilde\Omega

必須建立：

E^+(\Omega), E^-(\Omega), E^?(\Omega).

其中：

$E^+$ ：支持；
$E^-$ ：反例／失效；
$E^?$ ：資訊不足或語境不明。

如果只保存成功案例，會形成：

SurvivorshipBias.

Failure 不是垃圾，而是 operator domain reconstruction 的核心資料。

23. Intentionality Firewall

人物逆向最危險的錯誤之一是：

ObservedBehavior \rightarrow InventedIntent.

因此 GCORF 引入 Intentionality Firewall：

除非來源直接支持，系統不得將：

\text{「這個操作在作品中反覆出現」}

寫成：

\text{「作者有意識地長期使用此精確策略」}.

前者可以是 BehavioralInference；後者需要更高的直接證據。

24. Hindsight Firewall

歷史成功容易產生：

Outcome \rightarrow RetroactiveRationalization.

即研究者因為知道最後成功，反過來把早期混亂路徑重寫成必然計畫。

因此 trace 必須盡可能保留：

當時版本；
當時不知道的資訊；
當時可行 alternative；
failed branch；
later reinterpretation。

結果不能倒灌成原因。

25. Context Collapse Firewall

若不同時期或領域的行為被混為一談，就會製造不存在的固定人物算子。

因此候選 operator 至少應條件化：

\Omega(c,t,d).

其中：

$c$ ：context；
$t$ ：time/version；
$d$ ：domain。

只有跨多個 $c,t,d$ 穩定後，才可升級為 general operator candidate。

26. Operator Explosion Firewall

若每個新 specimen 都建立新 operator，系統將失去比較能力。

因此加入：

\boxed{ ReuseBeforeCreate. }

建立新 atomic operator 前必須：

搜索現有 kernel；
搜索 implementation modes；
搜索 operator clusters；
測試弱等價；
只有確認新轉換不可由既有 grammar 充分表示時才新增。

27. Operator Underfitting Firewall

與 operator explosion 相反，也不能為了維持小詞表而強行把所有新現象塞進舊 operator。

若新 specimen 表現出：

NewInputType \lor NewTransformation \lor NewFailureSemantics \lor NewUseType,

且既有 operator 無法低損表示，則應提出：

\boxed{OperatorExtensionProposal.}

這正是 GCORF 的 UBE 入口之一。

28. Reconstruction Pipeline v0.1

完整逆向流程：

\boxed{ \begin{aligned} RawCorpus &\to SourceNormalization\\ &\to EvidenceExtraction\\ &\to ProvenanceGraph\\ &\to TraceGraph\\ &\to TraceClustering\\ &\to CandidateCompression\\ &\to Atomicization\\ &\to ExistingLibraryMatch\\ &\to TransferTest\\ &\to ObserverCrossCheck\\ &\to AdmissionState. \end{aligned} }

29. 演算法偽代碼

function RECONSTRUCT_OPERATOR_LIBRARY(corpus, observer, library):
    sources = normalize_sources(corpus)
    evidence = extract_evidence_units(sources, observer)
    dep_graph = build_provenance_dependency_graph(evidence)
    traces = build_trace_graphs(evidence)
    clusters = cluster_structural_traces(traces)

    candidates = []
    for cluster in clusters:
        candidate = compress_to_minimal_transform(cluster)
        candidate = attach_evidence(candidate, cluster, dep_graph)
        candidate = attach_observer_record(candidate, observer)
        candidates.append(candidate)

    outputs = []
    for candidate in candidates:
        atom_state = atomicize(candidate, library)
        matched = compare_existing_operator_library(atom_state, library)
        tested = run_transfer_tests(matched)
        outputs.append(tested)

    return preserve_residuals(outputs)

此流程禁止在 extract_evidence_units 前直接建立人物 profile。

30. 資料狀態

每個候選 operator 必須有明確狀態：

\mathcal S_\Omega= \{ RawCandidate, Provisional, Admitted, ImplementationMode, Cluster, Heuristic, Rejected, Archived \}.

Rejected 不能等於刪除。

若其失敗本身具有方法論價值，應保留為：

FailureTrace.

31. Admission 前的最低資料要求

GCORF-01 不取代 GCORF-03 的光譜與邊界驗證，但至少要求：

\boxed{ PreAdmissible(\Omega) }

須滿足：

至少一組可定位 evidence traces；
明確 operator kernel；
明確或部分明確 input/output pattern；
observability / evidence grade；
至少一個 failure 或 boundary question；
與現有 library 的重複性檢查；
observer record；
provenance 可重建。

未滿足者可保留為 heuristic，但不能偷偷升格。

32. 重建結果的可逆 provenance

對任一 admitted operator：

\Omega_i

必須存在：

\boxed{ Backtrace(\Omega_i) \to \{\tau_j\} \to \{e_k\} \to \{src_l\}. }

若無法回溯，則：

Auditable(\Omega_i)=\mathrm{False}.

這是 GCORF 與普通「AI 看完資料後總結」的重要差異。

33. Loss Profile

從完整 trace 壓縮到 operator 必然可能損失資訊。

定義：

\lambda(\Omega) = LossProfile( \mathcal C_\tau \to \Omega ).

至少區分：

context loss；
temporal loss；
implementation loss；
semantic loss；
exception loss；
uncertainty loss。

成熟 operator 不是「完全無損」，而是：

\boxed{ \text{loss is explicit and bounded enough for intended use}. }

34. Recoverability

若 operator 具有壓縮，其價值之一在於能否部分恢復關鍵背景。

定義：

\rho(\Omega) = Recoverability( \Omega,E,\mathscr H ).

當使用者只看到 operator name 時，不應失去其：

domain；
evidence；
failure；
use-type；
implementation options。

因此 operator library 必須保存機器可讀 metadata，而不是只保存名稱清單。

35. 從人物 Fingerprint 到 Operator Library

人物 fingerprint 是中間層，不是最終層。

對人物 $p$ ：

\mathfrak F_p = ( \mathcal C_p, \mathcal O_p, \mathcal D_p; \mathcal E_p ).

GCORF 進一步要求：

\boxed{ \{\mathfrak F_{p_1},\ldots,\mathfrak F_{p_n}\} \to GeneralOperatorLibrary. }

其核心工作是移除不必要的人名綁定，同時保留實現差異與來源。

36. Domain Realization Interface

RMRM、PLDST、GCORF-PHIL 等分支可以各自擴充 Evidence Unit 的 domain-specific fields。

但它們必須至少能映射回：

\boxed{ EvidenceUnit + TraceGraph + CandidateOperator + ObserverRecord. }

因此各分支不是孤立資料格式，而是 GCORF core schema 的 extension。

37. 與內在／外在學習的連接

若重建結果被載入 AI 的外部方法庫，即使模型參數不變：

\theta_{t+1}=\theta_t,

AI 的可用方法狀態仍可改變：

\mathfrak O_{t+1} = \mathfrak O_t \cup \{\Omega_{new}\}.

因此：

\boxed{ OperatorReconstruction \to ExternalStateLearning. }

GCORF-05 將進一步處理此動力學。

38. 五個核心命題

命題 1：Trace-to-Operator 非唯一性

\boxed{ \mathcal T\not\Rightarrow!\Omega. }

任何有限 trace 集都可能允許多個競爭性重建。

命題 2：Atomicity 相對性

\boxed{ Atomic_{G_t}(\Omega) \not\Rightarrow Atomic_{G_{t+1}}(\Omega). }

命題 3：Evidence 非單調性

E_{t+1}\supset E_t

不推出：

Confidence_{t+1}\geq Confidence_t.

命題 4：Observer Robustness

若同一 kernel 在異質觀察條件下重複出現，其重建穩健性提高：

\operatorname{InvariantAcross}(O_1,\ldots,O_n) \Rightarrow Robustness\uparrow.

但不推出真理完備性。

命題 5：Provenance Requirement

\boxed{ Admitted(\Omega) \Rightarrow Backtraceable(\Omega). }

39. 失敗模式目錄

GCORF-01 至少標記以下高風險失敗模式：

Biographical Essentialism：把人物標籤當 operator；
Quote Cherry-Picking：用一句話建立整個方法；
Intent Hallucination：由行為直接虛構作者意圖；
Hindsight Compression：因成功結果重寫早期歷史；
Context Collapse：跨時期／跨領域混合；
Source Dependence Inflation：重複引用被當成獨立證據；
Operator Explosion：每個人物都新增新 operator；
Operator Underfitting：所有新現象都硬塞舊 operator；
Atomicity Reification：把當前 atomic 當成永恆不可分；
Pseudo-Quantification：無測量基礎卻輸出高精度分數；
Failure Erasure：只保存成功路徑；
Observer Erasure：不記錄誰做了重建。

40. Benchmark Protocol v0.1

任一新 specimen 的第一輪 benchmark 建議：

Stage A — Raw Reconstruction

不得先套既有 operator 名稱。

Stage B — Candidate Extraction

由 corpus 自行生成候選 transformation。

Stage C — Atomicization

區分 atomic / cluster / implementation mode。

Stage D — Existing-Library Comparison

判斷是否真正新增 operator basis。

Stage E — Multi-Observer Reconstruction

保留共識與分歧。

Stage F — Domain Transfer Test

測試方法是否能離開原 specimen 重放。

這六階段構成 GCORF specimen 的最小壓力測試。

41. 與 GCORF-00 的關係

GCORF-00 定義「什麼樣的東西可以成為成熟認知算子」。

GCORF-01 回答：

\boxed{ \text{「這些算子從哪裡來？」} }

其答案不是：

AI\text{ 讀完後直接總結}.

而是：

\boxed{ Evidence \to Trace \to StructuralCompression \to Candidate \to Atomicization \to Validation. }

42. 結論

GCORF 的通用性不能建立在「AI 可以描述任何人」之上。

真正的通用性必須建立在：

\boxed{ \text{不同 domain 的認知痕跡，都能進入同一套可審計逆向流程。} }

因此 GCORF-01 將人物研究、程式語言設計史、數學證明史、哲學文本、工程決策與未來其他認知資料統一為：

\boxed{ Source \to EvidenceUnit \to TraceGraph \to CandidateOperator. }

此轉換不宣稱還原完整心智，而是生成帶條件、帶版本、帶 evidence、帶 failure、可被重新組合的有限方法物件。

最終母句為：

\boxed{ \begin{gathered} \textbf{不從人物猜算子，而從痕跡重建算子；}\\ \textbf{不把一次行為當方法，而找跨痕跡穩定轉換；}\\ \textbf{不把當前分類當本體，而保存 atomicity 的版本相對性；}\\ \textbf{不讓壓縮切斷來源，而要求任何正式算子可逆向回到證據。} \end{gathered} }

由此，GCORF 才從概念性的「人物逆向」進入真正可實作的 operator reconstruction runtime。

附錄 A：最小 Evidence Unit Schema

{
  "id": "evidence-unit-id",
  "source_ref": "stable-source-location",
  "actor": "subject-or-system",
  "time": "timestamp-or-version",
  "context": {},
  "problem": {},
  "representation": {},
  "move": {},
  "rationale": {
    "value": null,
    "observability": "Unknown"
  },
  "verification": {},
  "outcome": {},
  "observability": "Direct|BehavioralInference|LatentHypothesis|Unknown",
  "evidence_grade": "OBS|INF|HYP|UNK",
  "provenance": []
}

附錄 B：最小 Candidate Operator Schema

{
  "operator_id": "candidate-id",
  "state": "RawCandidate",
  "kernel": {},
  "input_pattern": {},
  "output_pattern": {},
  "trigger": {},
  "constraints": [],
  "implementation_modes": [],
  "supporting_traces": [],
  "negative_evidence": [],
  "unknowns": [],
  "observer_records": [],
  "loss_profile": {},
  "recoverability": {},
  "existing_operator_matches": []
}

附錄 C：系列定位

\boxed{ \textbf{GCORF-02 — 認知算子的形式物件與組合代數} }

GCORF-02 將處理 atomic operator、operator cluster、implementation mode、串聯／並聯／遞歸／交替／耦合，以及 operator composition 後反向修改自身的形式結構。